Войти
аналитика - 클래스 증분 학습
클래스 증분 학습에서의 작업 혼동 및 치명적 망각: 판별 및 생성 모델링을 위한 수학적 프레임워크
판별 모델링은 작업 혼동으로 인해 최적의 클래스 증분 학습을 달성할 수 없지만, 생성 모델링은 작업 혼동을 극복하여 최적의 클래스 증분 학습을 가능하게 한다.
클래스 증분 학습을 위한 입력과 출력의 효과적인 조정
클래스 증분 학습에서 발생하는 클래스 편향 문제와 새로운 과제와 이전 과제 간의 상호 간섭을 해결하기 위해 입력과 출력의 효과적인 조정 메커니즘을 제안한다.
미래 대비 클래스 증분 학습
본 연구에서는 사전 학습된 텍스트-이미지 확산 모델을 활용하여 미래 클래스의 합성 이미지를 생성하고, 이를 통해 클래스 증분 학습 모델의 성능을 향상시키는 방법을 제안한다.
지속적 클래스 학습을 위한 점진적 표현 기반 방법
기존 방법들과 달리 복잡한 구형 특징 생성 없이도 효과적인 클래스 증분 학습이 가능한 점진적 표현 프레임워크를 제안한다.
지속적 학습을 위한 회전 증강 증류 기법과 상세 분석
회전 데이터 증강과 지식 증류를 결합한 새로운 클래스 증분 학습 기법인 RAD가 기존 방법들보다 우수한 성능을 보인다.
대규모 사전 학습 모델 시대에 테스트 시간 적응을 통한 클래스 증분 학습 재고
대규모 사전 학습 모델의 등장으로 클래스 증분 학습 분야에 큰 진전이 있었지만, 반복적인 미세 조정으로 인한 기존 지식의 망각 문제가 여전히 존재한다. 이에 본 연구는 첫 번째 과제에 대한 적응만으로도 이후 과제에 대한 플라스틱성을 확보할 수 있는 테스트 시간 적응 기법을 제안한다.
정확한 과제 식별을 통한 클래스 증분 학습
과제 식별 확률 예측을 위한 우도비 기반의 새로운 방법인 TPL을 제안하였다. TPL은 기존 강력한 CIL 기준선들을 크게 능가하며 거의 없는 재앙적 망각을 보인다.
Продукты
© 2024 by Linnk AI