論文の概要: Is Continual Learning Ready for Real-world Challenges?

• arxiv url: http://arxiv.org/abs/2402.10130v1
• Date: Thu, 15 Feb 2024 17:34:56 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-16 14:34:27.166939
• Title: Is Continual Learning Ready for Real-world Challenges?
• Title（参考訳）: 継続的学習は現実世界の課題に対応できているか?
• Authors: Theodora Kontogianni, Yuanwen Yue, Siyu Tang, Konrad Schindler
• Abstract要約: 本稿では、このギャップは、継続学習の実際の課題と使用中の評価プロトコルの相違に起因すると論じる。 本研究では,動的な実世界のシナリオに対して,オンラインや連続的な学習を必要とする,より現実的なプロトコルを活用して,文献からの連続的な学習手法について検討する。 検討されたすべての手法は、関節のオフライントレーニングの上限からかなり逸脱して、不十分に機能する。
• 参考スコア（独自算出の注目度）: 27.4116488707516
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite continual learning's long and well-established academic history, its application in real-world scenarios remains rather limited. This paper contends that this gap is attributable to a misalignment between the actual challenges of continual learning and the evaluation protocols in use, rendering proposed solutions ineffective for addressing the complexities of real-world setups. We validate our hypothesis and assess progress to date, using a new 3D semantic segmentation benchmark, OCL-3DSS. We investigate various continual learning schemes from the literature by utilizing more realistic protocols that necessitate online and continual learning for dynamic, real-world scenarios (eg., in robotics and 3D vision applications). The outcomes are sobering: all considered methods perform poorly, significantly deviating from the upper bound of joint offline training. This raises questions about the applicability of existing methods in realistic settings. Our paper aims to initiate a paradigm shift, advocating for the adoption of continual learning methods through new experimental protocols that better emulate real-world conditions to facilitate breakthroughs in the field.
• Abstract（参考訳）: 継続的学習の長期的かつ確立された学術史にもかかわらず、現実のシナリオにおけるその応用は、かなり限定的なままである。 本稿では、このギャップは、継続学習の実際の課題と使用中の評価プロトコルの相違に起因し、提案手法が現実のセットアップの複雑さに対処するには効果がないことを主張する。 我々は,新しい3次元セマンティックセグメンテーションベンチマークOCL-3DSSを用いて,我々の仮説を検証し,現在までの進捗を評価する。 本研究では,実世界の動的シナリオ(ロボット工学や3d視覚応用など)に対して,オンラインおよび連続学習を必要とするより現実的なプロトコルを用いて,文献から様々な連続学習方式を検討する。 すべての考慮されたメソッドはパフォーマンスが悪く、共同オフライントレーニングの上限から著しく逸脱している。 これは、現実的な設定における既存のメソッドの適用性に関する疑問を提起する。 本稿は,実世界の状況をよりよくエミュレートし,この分野のブレークスルーを促進する新たな実験プロトコルを通じて,継続的な学習手法の採用を提唱するパラダイムシフトの開始を目指している。

関連論文リスト

• Efficient Imitation Learning with Conservative World Models [54.52140201148341]
  報酬機能のない専門家によるデモンストレーションから政策学習の課題に取り組む。 純粋な強化学習ではなく、微調整問題として模倣学習を再構成する。
  論文  参考訳（メタデータ） (2024-05-21T20:53:18Z)
• Evaluating the Effectiveness of Video Anomaly Detection in the Wild: Online Learning and Inference for Real-world Deployment [2.1374208474242815]
  Video Anomaly Detection (VAD) は、監視から医療まで幅広い応用の鍵となる、ビデオストリームにおける異常な活動を特定する。 実生活環境でのVADに取り組むことは、人間の行動の動的な性質、環境の変化、ドメインシフトによって大きな課題となる。 オンライン学習は、モデルを新しい情報に継続的に適応させることによって、この問題を軽減するための潜在的戦略である。
  論文  参考訳（メタデータ） (2024-04-29T14:47:32Z)
• Real-Time Evaluation in Online Continual Learning: A New Hope [104.53052316526546]
  計算コストに関して,現在の継続学習(CL)手法を評価した。 簡単なベースラインは、この評価の下で最先端のCL法より優れている。 これは、既存のCL文献の大部分は、実用的でない特定の種類のストリームに適合していることを驚くほど示唆している。
  論文  参考訳（メタデータ） (2023-02-02T12:21:10Z)
• 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)
• RVSL: Robust Vehicle Similarity Learning in Real Hazy Scenes Based on Semi-supervised Learning [24.13217601503959]
  車両類似性学習(re-identification、ReID)はコンピュータビジョンにおいて大きな注目を集めている。 我々は、ReIDとドメイン変換技術を統合した textbfRVSL と呼ばれるトレーニングパラダイムを構築した。 提案手法は, ヘイジーカーのReID問題に対して, 最先端の性能を実現することができることを示す。
  論文  参考訳（メタデータ） (2022-09-18T18:45:06Z)
• Robust Learning from Observation with Model Misspecification [33.92371002674386]
  イミテーションラーニング(Imitation Learning, IL)は、ロボットシステムにおけるトレーニングポリシーの一般的なパラダイムである。 我々は,微調整をせずに実環境に効果的に移行できるポリシーを学習するための堅牢なILアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-02-12T07:04:06Z)
• Practical Imitation Learning in the Real World via Task Consistency Loss [18.827979446629296]
  本稿では,機能レベルと行動予測レベルの両方において,シミュレートと実際のアライメントを促進する自己監督的損失を提案する。 我々は、シミュレートとリアルで遠隔操作されたデモンストレーションを16.2時間しか使っていない10のシーンで80%の成功を達成した。
  論文  参考訳（メタデータ） (2022-02-03T21:43:06Z)
• Autonomous Reinforcement Learning: Formalism and Benchmarking [106.25788536376007]
  人間や動物が行うような現実世界の具体的学習は、連続的で非エポゾディックな世界にある。 RLの一般的なベンチマークタスクはエピソジックであり、試行錯誤によってエージェントに複数の試行を行う環境がリセットされる。 この相違は、擬似環境向けに開発されたRLアルゴリズムを現実世界のプラットフォーム上で実行しようとする場合、大きな課題となる。
  論文  参考訳（メタデータ） (2021-12-17T16:28:06Z)
• What Stops Learning-based 3D Registration from Working in the Real World? [53.68326201131434]
  この研究は、3Dポイントのクラウド登録失敗の原因を特定し、その原因を分析し、解決策を提案する。 最終的に、これは最も実践的な3D登録ネットワーク(BPNet)に変換される。 我々のモデルは微調整をせずに実データに一般化し、商用センサで得られた見えない物体の点雲上で最大67%の精度に達する。
  論文  参考訳（メタデータ） (2021-11-19T19:24:27Z)
• Curriculum Learning for Reinforcement Learning Domains: A Framework and Survey [53.73359052511171]
  強化学習(Reinforcement Learning, RL)は、エージェントが限られた環境フィードバックしか持たないシーケンシャルな意思決定タスクに対処するための一般的なパラダイムである。 本稿では、RLにおけるカリキュラム学習(CL)の枠組みを提案し、既存のCLメソッドを仮定、能力、目標の観点から調査・分類する。
  論文  参考訳（メタデータ） (2020-03-10T20:41:24Z)

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。