Fugu-MT 論文翻訳(概要): Continual Learning in Human Activity Recognition: an Empirical Analysis of Regularization

論文の概要: Continual Learning in Human Activity Recognition: an Empirical Analysis of Regularization

arxiv url: http://arxiv.org/abs/2007.03032v1
Date: Mon, 6 Jul 2020 19:30:37 GMT
ステータス: 処理完了
システム内更新日: 2022-11-13 02:00:55.291913
Title: Continual Learning in Human Activity Recognition: an Empirical Analysis of Regularization
Title（参考訳）: 人間の活動認識における連続学習--正規化の実証分析
Authors: Saurav Jha, Martin Schiemer, Juan Ye
Abstract要約: 本稿では,HARデータセットを用いたタスク・インクリメンタル学習手法の構成要素的分析を行う。ほとんどの正規化アプローチには大きな効果がなく、失敗する際の直感が欠けていることが分かりました。我々は、継続学習アルゴリズムの開発は、かなり多様なタスク・ドメインによって動機付けられるべきであると仮定する。
参考スコア（独自算出の注目度）: 2.3204178451683264
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Given the growing trend of continual learning techniques for deep neural networks focusing on the domain of computer vision, there is a need to identify which of these generalizes well to other tasks such as human activity recognition (HAR). As recent methods have mostly been composed of loss regularization terms and memory replay, we provide a constituent-wise analysis of some prominent task-incremental learning techniques employing these on HAR datasets. We find that most regularization approaches lack substantial effect and provide an intuition of when they fail. Thus, we make the case that the development of continual learning algorithms should be motivated by rather diverse task domains.
Abstract（参考訳）: コンピュータビジョンの領域に焦点をあてたディープニューラルネットワークの連続的学習技術が増加傾向にあることを考えると、これらのどれが人間の活動認識(HAR)のような他のタスクにうまく一般化するかを特定する必要がある。近年の手法はほとんどが損失正規化項とメモリリプレイで構成されているため,HARデータセットを用いたタスク増分学習手法の構成的分析を行う。ほとんどの正規化アプローチには大きな効果がなく、失敗時の直感が欠けていることが分かりました。したがって、連続学習アルゴリズムの開発は、かなり多様なタスク領域によって動機づけられるべきである。

関連論文リスト

Towards Sample-Efficiency and Generalization of Transfer and Inverse Reinforcement Learning: A Comprehensive Literature Review [50.67937325077047]
本稿では,転送および逆強化学習(T-IRL)によるRLアルゴリズムのサンプル効率と一般化を実現するための総合的なレビューを行う。以上の結果から,最近の研究成果の大部分は,人間のループとシム・トゥ・リアル戦略を活用することで,上記の課題に対処していることが示唆された。 IRL構造の下では、経験の少ない移行と、そのようなフレームワークのマルチエージェントおよびマルチインテンション問題への拡張を必要とするトレーニングスキームが近年研究者の優先事項となっている。
論文参考訳（メタデータ） (2024-11-15T15:18:57Z)
Continual Learning of Numerous Tasks from Long-tail Distributions [17.706669222987273]
継続的な学習は、以前獲得した知識を維持しながら、新しいタスクを学習し、適応するモデルの開発に焦点を当てる。既存の連続学習アルゴリズムは、通常、一定の大きさの少数のタスクを伴い、現実世界の学習シナリオを正確に表現しないことがある。本稿では,従来のタスクから第2モーメントの重み付け平均を維持することで,アダムの状態を再利用する手法を提案する。提案手法は,既存のほとんどの連続学習アルゴリズムと互換性があり,少ない計算量やメモリコストで忘れを効果的に削減できることを実証する。
論文参考訳（メタデータ） (2024-04-03T13:56:33Z)
A Comprehensive Survey of Continual Learning: Theory, Method and Application [64.23253420555989]
本稿では,基礎的設定,理論的基礎,代表的方法,実践的応用を橋渡しする継続的学習に関する包括的調査を行う。連続学習の一般的な目的は、資源効率の文脈において、適切な安定性と塑性のトレードオフと適切なタスク内/タスク内一般化性を保証することであると要約する。
論文参考訳（メタデータ） (2023-01-31T11:34:56Z)
Critical Learning Periods for Multisensory Integration in Deep Networks [112.40005682521638]
ニューラルネットワークが様々な情報源からの情報を統合する能力は、トレーニングの初期段階において、適切な相関した信号に晒されることに批判的になることを示す。臨界周期は、訓練されたシステムとその学習された表現の最終性能を決定づける、複雑で不安定な初期過渡的ダイナミクスから生じることを示す。
論文参考訳（メタデータ） (2022-10-06T23:50:38Z)
Learning Dynamics and Generalization in Reinforcement Learning [59.530058000689884]
時間差学習は, エージェントが訓練の初期段階において, 値関数の非平滑成分を適合させるのに役立つことを理論的に示す。本研究では,高密度報酬タスクの時間差アルゴリズムを用いて学習したニューラルネットワークが,ランダムなネットワークや政策手法で学習した勾配ネットワークよりも,状態間の一般化が弱いことを示す。
論文参考訳（メタデータ） (2022-06-05T08:49:16Z)
Lifelong Adaptive Machine Learning for Sensor-based Human Activity Recognition Using Prototypical Networks [0.0]
連続学習は、生涯学習としても知られ、機械学習分野への関心が高まりつつある研究トピックである。我々は,連続機械学習の分野における最近の進歩を基盤に,プロトタイプネットワーク(LPPNet-HAR)を用いた生涯適応型学習フレームワークを設計する。 LAPNet-HARは、タスクフリーなデータインクリメンタルな方法でセンサベースのデータストリームを処理する。
論文参考訳（メタデータ） (2022-03-11T00:57:29Z)
Continual Learning in Sensor-based Human Activity Recognition: an Empirical Benchmark Analysis [4.686889458553123]
センサーベースのヒューマンアクティビティ認識(HAR)は、スマートホーム、パーソナルヘルスケア、都市計画における多くの現実世界のアプリケーションのための重要なイネーブラーです。 HARシステムは、ゼロから再設計することなく、長期間にわたって新しいアクティビティを自律的に学習できますか? この問題は連続学習と呼ばれ、コンピュータビジョンの分野で特に人気があります。
論文参考訳（メタデータ） (2021-04-19T15:38:22Z)
ARCADe: A Rapid Continual Anomaly Detector [25.34227775187408]
連続異常検出(CAD)の新しい学習問題に対処する。ニューラルネットをトレーニングするアプローチであるARCADeを提案する。 3つのデータセットを用いた実験の結果、ARCADeは連続学習と異常検出の文献からベースラインを大幅に上回っていることがわかった。
論文参考訳（メタデータ） (2020-08-10T11:59:32Z)
A Brief Look at Generalization in Visual Meta-Reinforcement Learning [56.50123642237106]
メタ強化学習アルゴリズムの一般化性能を評価する。これらのアルゴリズムは、困難なタスクで評価された場合、強いオーバーフィッティングを示すことができる。
論文参考訳（メタデータ） (2020-06-12T15:17:17Z)
Understanding the Role of Training Regimes in Continual Learning [51.32945003239048]
破滅的な忘れは、ニューラルネットワークのトレーニングに影響を与え、複数のタスクを逐次学習する能力を制限する。本研究では,タスクの局所的なミニマを拡大するトレーニング体制の形成に及ぼすドロップアウト,学習速度の低下,バッチサイズの影響について検討した。
論文参考訳（メタデータ） (2020-06-12T06:00:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。