論文の概要: An Introduction to Lifelong Supervised Learning
- arxiv url: http://arxiv.org/abs/2207.04354v1
- Date: Sun, 10 Jul 2022 00:48:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-13 08:46:22.502582
- Title: An Introduction to Lifelong Supervised Learning
- Title(参考訳): 生涯指導型学習入門
- Authors: Shagun Sodhani, Mojtaba Farmazi, Sanket Vaibhav Mehta, Pranshu
Malviya, Mohamed Abdelsalam, Janarthanan Janarthanan, Sarath Chandar
- Abstract要約: このプライマーは、生涯学習の異なる側面の詳細な概要を提供する試みである。
この章は、生涯学習に慣れて、特定のアプローチやベンチマークに焦点を絞らずに、この分野に導入したい読者にとって、より有用なものです。
- 参考スコア(独自算出の注目度): 17.61635826786644
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This primer is an attempt to provide a detailed summary of the different
facets of lifelong learning. We start with Chapter 2 which provides a
high-level overview of lifelong learning systems. In this chapter, we discuss
prominent scenarios in lifelong learning (Section 2.4), provide 8 Introduction
a high-level organization of different lifelong learning approaches (Section
2.5), enumerate the desiderata for an ideal lifelong learning system (Section
2.6), discuss how lifelong learning is related to other learning paradigms
(Section 2.7), describe common metrics used to evaluate lifelong learning
systems (Section 2.8). This chapter is more useful for readers who are new to
lifelong learning and want to get introduced to the field without focusing on
specific approaches or benchmarks.
- Abstract(参考訳): このプライマーは、生涯学習のさまざまな側面の詳細な概要を提供する試みである。
まず、生涯学習システムの高レベルな概要を提供する2章から始める。
本章では、生涯学習における顕著なシナリオについて論じる(第2.4章)。第2.5章)、理想的な生涯学習システムのためのデシラタを列挙する(第2.6章)、生涯学習が他の学習パラダイムとどのように関連しているかを論じる(第2.7章)、生涯学習システムを評価するために使用される一般的な指標を説明する(第2.8章)。
この章は、生涯学習に慣れて、特定のアプローチやベンチマークに集中することなく、この分野に導入したい読者にとってより有用なものです。
関連論文リスト
- On the Necessity of Metalearning: Learning Suitable Parameterizations
for Learning Processes [9.7902367664742]
まず,学習プロセスにおける帰納的バイアスの重要性に対処する。
次に、適切に定義された学習プロセスで終わるのに適したパラメータ化を選択することの重要性を確認します。
パラメータタイリングスキームの観点と、学習したモデルにおける普遍的な側面の出現について論じる。
論文 参考訳(メタデータ) (2023-12-31T16:24:03Z) - A Survey on Continual Semantic Segmentation: Theory, Challenge, Method
and Application [8.973607475910068]
継続的学習は、漸進的学習または生涯学習としても知られ、ディープラーニングとAIシステムの最前線にある。
本稿では,連続的セマンティックセグメンテーション(CSS:Continuous semantic segmentation, 連続意味セグメンテーション)について概説する。
現在のCSSモデルを、textitdata-replay と textitdata-free セットを含む2つのメインブランチに分類し、分類する。
各ブランチにおいて、対応するアプローチは類似性に基づくクラスタ化および網羅的解析であり、関連するデータセットの質的比較と定量的再現に続く。
論文 参考訳(メタデータ) (2023-10-22T11:53:56Z) - Prompt Learning With Knowledge Memorizing Prototypes For Generalized
Few-Shot Intent Detection [22.653220906899612]
汎用Few-Shot Intent Detection (GFSID) は、目に見える意図と新しい意図の両方を同時に分類する必要があるため、困難かつ現実的である。
従来のGFSID法は、エピソード学習パラダイムに依存していた。
本稿では,GFSIDタスクをクラスインクリメンタル学習パラダイムに変換することを提案する。
論文 参考訳(メタデータ) (2023-09-10T09:16:38Z) - Towards Open Vocabulary Learning: A Survey [146.90188069113213]
ディープニューラルネットワークは,セグメンテーションやトラッキング,検出といった,さまざまなコアタスクにおいて,目覚ましい進歩を遂げている。
近年、視覚言語事前学習の急速な進歩により、オープンな語彙設定が提案されている。
本稿では,その分野における最近の発展を要約し分析し,オープンな語彙学習の徹底的なレビューを行う。
論文 参考訳(メタデータ) (2023-06-28T02:33:06Z) - LIBERO: Benchmarking Knowledge Transfer for Lifelong Robot Learning [64.55001982176226]
LIBEROは、ロボット操作のための生涯学習の新しいベンチマークである。
宣言的知識、手続き的知識、あるいは両者の混在を効率的に伝達する方法に焦点を当てる。
我々は、無限に多くのタスクを生成できる拡張可能な手続き生成パイプラインを開発した。
論文 参考訳(メタデータ) (2023-06-05T23:32:26Z) - A Domain-Agnostic Approach for Characterization of Lifelong Learning
Systems [128.63953314853327]
「生涯学習」システムには,1)継続的学習,2)伝達と適応,3)拡張性があります。
この一連のメトリクスは、様々な複雑な生涯学習システムの開発に役立てることができることを示す。
論文 参考訳(メタデータ) (2023-01-18T21:58:54Z) - Self-Supervised Learning for Videos: A Survey [70.37277191524755]
自己教師型学習は、画像ドメインとビデオドメインの両方で有望である。
本稿では,ビデオ領域に着目した自己教師型学習における既存のアプローチについて概観する。
論文 参考訳(メタデータ) (2022-06-18T00:26:52Z) - vCLIMB: A Novel Video Class Incremental Learning Benchmark [53.90485760679411]
本稿では,ビデオ連続学習ベンチマークvCLIMBを紹介する。
vCLIMBは、ビデオ連続学習における深層モデルの破滅的な忘れを解析するための標準化されたテストベッドである。
本稿では,メモリベース連続学習法に適用可能な時間的整合性正規化を提案する。
論文 参考訳(メタデータ) (2022-01-23T22:14:17Z) - Bilevel Continual Learning [76.50127663309604]
BCL(Bilevel Continual Learning)という,継続的学習の新たな枠組みを提案する。
連続学習ベンチマーク実験では,多くの最先端手法と比較して,提案したBCLの有効性が示された。
論文 参考訳(メタデータ) (2020-07-30T16:00:23Z) - Using Hindsight to Anchor Past Knowledge in Continual Learning [36.271906785418864]
連続学習では、学習者は時間とともに分布が変化するデータのストリームに直面します。
現代のニューラルネットワークは、以前に獲得した知識をすぐに忘れてしまうため、この設定で苦しむことが知られている。
ここでは、学習者が2段階最適化を使用して現在のタスクの知識を更新し、過去のタスクの予測をそのまま維持する。
論文 参考訳(メタデータ) (2020-02-19T13:21:19Z)
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。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。