論文の概要: Taxonomic Class Incremental Learning

• arxiv url: http://arxiv.org/abs/2304.05547v1
• Date: Wed, 12 Apr 2023 00:43:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-13 16:25:12.400933
• Title: Taxonomic Class Incremental Learning
• Title（参考訳）: 分類学クラスインクリメンタル学習
• Authors: Yuzhao Chen, Zonghuan Li, Zhiyuan Hu, Nuno Vasconcelos
• Abstract要約: 分類学クラス増分学習問題を提案する。 我々はCILと分類学学習の既存のアプローチをパラメータ継承スキームとして統一する。 CIFAR-100とImageNet-100の実験では,提案手法の有効性が示された。
• 参考スコア（独自算出の注目度）: 57.08545061888821
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The problem of continual learning has attracted rising attention in recent years. However, few works have questioned the commonly used learning setup, based on a task curriculum of random class. This differs significantly from human continual learning, which is guided by taxonomic curricula. In this work, we propose the Taxonomic Class Incremental Learning (TCIL) problem. In TCIL, the task sequence is organized based on a taxonomic class tree. We unify existing approaches to CIL and taxonomic learning as parameter inheritance schemes and introduce a new such scheme for the TCIL learning. This enables the incremental transfer of knowledge from ancestor to descendant class of a class taxonomy through parameter inheritance. Experiments on CIFAR-100 and ImageNet-100 show the effectiveness of the proposed TCIL method, which outperforms existing SOTA methods by 2% in terms of final accuracy on CIFAR-100 and 3% on ImageNet-100.
• Abstract（参考訳）: 継続的学習の問題は近年注目を集めている。 しかし、ランダムクラスのタスクカリキュラムに基づいて、一般的に使用される学習設定に疑問を呈する作品はほとんどない。 これは、分類学のカリキュラムによって導かれる人間の連続学習とは大きく異なる。 そこで本研究では,Taxonomic Class Incremental Learning (TCIL) 問題を提案する。 tcilでは、タスクシーケンスは分類学クラスツリーに基づいて構成される。 我々はCILと分類学学習の既存のアプローチをパラメータ継承スキームとして統合し、TCIL学習のための新しい手法を導入する。 これにより、クラス分類学の祖先から子孫クラスへの知識の段階的にパラメータ継承が可能である。 CIFAR-100 と ImageNet-100 の実験では,既存の SOTA 法を CIFAR-100 と ImageNet-100 で最終精度で2% 上回った TCIL 法の有効性を示した。

関連論文リスト

• Enhancing Visual Continual Learning with Language-Guided Supervision [76.38481740848434]
  継続的な学習は、モデルが以前獲得した知識を忘れずに新しいタスクを学習できるようにすることを目的としている。 ワンホットラベルが伝達する少ない意味情報は,タスク間の効果的な知識伝達を妨げている,と我々は主張する。 具体的には, PLM を用いて各クラスのセマンティックターゲットを生成し, 凍結し, 監視信号として機能する。
  論文  参考訳（メタデータ） (2024-03-24T12:41:58Z)
• Resolving Task Confusion in Dynamic Expansion Architectures for Class Incremental Learning [27.872317837451977]
  タスク間の差別的・公平な特徴利用を促進するために,タスク関連インクリメンタルラーニング(TCIL)を提案する。 TCILは、古いタスクから学んだ知識を新しいタスクに伝達するために、多段階の知識蒸留を行う。 結果は,TILが常に最先端の精度を達成していることを示す。
  論文  参考訳（メタデータ） (2022-12-29T12:26:44Z)
• Rectification-based Knowledge Retention for Continual Learning [49.1447478254131]
  ディープラーニングモデルは、インクリメンタルな学習環境で訓練されたときに壊滅的な忘れに苦しむ。 タスクインクリメンタル学習問題に対処するための新しいアプローチを提案する。これは、インクリメンタルに到着する新しいタスクに関するモデルをトレーニングすることを含む。 私たちのアプローチは、ゼロショットと非ゼロショットタスクインクリメンタルラーニング設定の両方で使用できます。
  論文  参考訳（メタデータ） (2021-03-30T18:11:30Z)
• Incremental Embedding Learning via Zero-Shot Translation [65.94349068508863]
  現在の最先端のインクリメンタル学習手法は、従来の分類ネットワークにおける破滅的な忘れ方問題に取り組む。 ゼロショット変換クラス増分法(ZSTCI)と呼ばれる新しい組込みネットワークのクラス増分法を提案する。 さらに、ZSTCIを既存の正規化ベースのインクリメンタル学習手法と組み合わせることで、組み込みネットワークの性能をより向上させることができる。
  論文  参考訳（メタデータ） (2020-12-31T08:21:37Z)
• Class-incremental Learning with Rectified Feature-Graph Preservation [24.098892115785066]
  本論文の中心的なテーマは,逐次的な段階を経る新しいクラスを学習することである。 旧知識保存のための重み付きユークリッド正規化を提案する。 新しいクラスを効果的に学習するために、クラス分離を増やすためにバイナリクロスエントロピーでどのように機能するかを示す。
  論文  参考訳（メタデータ） (2020-12-15T07:26:04Z)
• Few-Shot Class-Incremental Learning [68.75462849428196]
  本稿では,FSCIL問題に焦点をあてる。 FSCIL は CNN モデルに対して,学習済みのクラスを忘れることなく,ラベル付きサンプルのごく少数から新たなクラスを漸進的に学習することを求めている。 我々は,異なるクラスで形成される特徴多様体のトポロジーを学習し,保存するニューラルネットワーク(NG)ネットワークを用いて,知識を表現する。
  論文  参考訳（メタデータ） (2020-04-23T03:38:33Z)
• iTAML: An Incremental Task-Agnostic Meta-learning Approach [123.10294801296926]
  人間は経験が成長するにつれて、新しい知識を継続的に学ぶことができる。 ディープニューラルネットワークにおける以前の学習は、新しいタスクでトレーニングされたときにすぐに消えてしまう可能性がある。 遭遇した全てのタスク間の平衡を維持するために,新しいメタラーニング手法を導入する。
  論文  参考訳（メタデータ） (2020-03-25T21:42:48Z)
• Cognitively-Inspired Model for Incremental Learning Using a Few Examples [11.193504036335503]
  増分学習は、異なるクラスに分離されたデータのストリームから連続的に学習する分類器の開発を試みる。 ディープラーニングアプローチは、クラスを漸進的に学習する際の破滅的な忘れ込みに悩まされる一方、ほとんどのインクリメンタル学習アプローチは、クラス毎に大量のトレーニングデータを必要とします。 本研究では,海馬と新皮質の概念学習モデルから着想を得た新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2020-02-27T19:52:42Z)

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。