Core Concepts
인간의 인지 전략인 목표 회상과 간격 반복을 활용하여 재현 버퍼의 효율성을 높임으로써 지속적 학습에서 재앙적 망각을 완화한다.
Abstract
이 논문은 지속적 학습에서 재앙적 망각 문제를 해결하기 위해 CORE(COgnitive REplay)라는 새로운 방법을 제안한다. CORE는 인간의 인지 메커니즘에서 영감을 얻어 두 가지 핵심 전략을 구현한다.
첫째, 적응형 양적 할당(Adaptive Quantity Allocation, AQA) 전략은 각 과제의 망각률을 기반으로 재현 버퍼 공간을 동적으로 할당한다. 이를 통해 망각률이 높은 과제에 더 많은 주의를 기울일 수 있다.
둘째, 품질 중심 데이터 선택(Quality-Focused Data Selection, QFDS) 전략은 재현 버퍼 내 데이터 샘플의 대표성과 균형을 보장한다. 이는 모델의 기존 능력을 활용하여 데이터의 질적 수준을 높이는 것이다.
실험 결과, CORE는 기존 방법들을 크게 능가하는 성능을 보였다. split-CIFAR10 데이터셋에서 CORE는 평균 정확도 37.95%를 달성하여 최고 기준 방법보다 6.52% 높았다. 또한 가장 어려운 과제의 정확도를 6.30% 향상시켰다. 이는 CORE가 과제 간 균형 있는 성능 향상을 달성했음을 보여준다.
Stats
과제 p의 최대 정확도와 현재 정확도의 차이는 fp = max(Accip) - Accτp이다.
과제 p에 대한 현재 과제 Tτ의 간섭률은 ip = exp(Accτ-1p - Accτp) / Σp'exp(Accτ-1p' - Accτp')이다.
Quotes
"현재 재현 기반 방법들은 모든 과제와 데이터 샘플을 동등하게 취급하므로 재현 버퍼의 잠재력을 완전히 활용할 수 없다."
"CORE는 인간의 인지 검토 프로세스에서 영감을 얻어 적응형 양적 할당과 품질 중심 데이터 선택이라는 두 가지 핵심 전략을 구현한다."