論文の概要: Open-world Machine Learning: A Review and New Outlooks

• arxiv url: http://arxiv.org/abs/2403.01759v1
• Date: Mon, 4 Mar 2024 06:25:26 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-06 19:56:11.014762
• Title: Open-world Machine Learning: A Review and New Outlooks
• Title（参考訳）: open-world machine learning: レビューと新しい展望
• Authors: Fei Zhu, Shijie Ma, Zhen Cheng, Xu-Yao Zhang, Zhaoxiang Zhang, Cheng-Lin Liu
• Abstract要約: 本稿では,新たなオープンワールド機械学習パラダイムを包括的に紹介することを目的としている。 研究者がそれぞれの分野でより強力なAIシステムを構築するのを支援し、人工知能の開発を促進することを目的としている。
• 参考スコア（独自算出の注目度）: 88.62638732250427
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning has achieved remarkable success in many applications. However, existing studies are largely based on the closed-world assumption, which assumes that the environment is stationary, and the model is fixed once deployed. In many real-world applications, this fundamental and rather naive assumption may not hold because an open environment is complex, dynamic, and full of unknowns. In such cases, rejecting unknowns, discovering novelties, and then incrementally learning them, could enable models to be safe and evolve continually as biological systems do. This paper provides a holistic view of open-world machine learning by investigating unknown rejection, novel class discovery, and class-incremental learning in a unified paradigm. The challenges, principles, and limitations of current methodologies are discussed in detail. Finally, we discuss several potential directions for future research. This paper aims to provide a comprehensive introduction to the emerging open-world machine learning paradigm, to help researchers build more powerful AI systems in their respective fields, and to promote the development of artificial general intelligence.
• Abstract（参考訳）: 機械学習は多くのアプリケーションで顕著な成功を収めた。 しかし、既存の研究は、環境が静止していると仮定したクローズドワールドの仮定に基づいており、一度デプロイするとモデルが修正される。 多くの現実世界のアプリケーションでは、オープン環境が複雑で動的で未知数に満ちているため、この基本的な、よりナイーブな仮定は持たないかもしれない。 そのような場合、未知を拒絶し、新しさを発見し、段階的に学習することで、モデルが生物学的システムと同じように安全かつ継続的な進化を可能にする。 本稿では、未知の拒絶、新しいクラス発見、および統一パラダイムによるクラス増分学習を調査し、オープンワールド機械学習の全体像を提供する。 現在の方法論の課題、原則、限界について詳しく議論する。 最後に,今後の研究の方向性について述べる。 本稿では,新たなオープンワールド機械学習パラダイムを包括的に導入し,研究者がそれぞれの分野でより強力なaiシステムを構築することを支援するとともに,人工知能の開発を促進することを目的とする。

関連論文リスト

• Towards Few-Shot Learning in the Open World: A Review and Beyond [52.41344813375177]
  少ないショット学習は、人間の知性を模倣し、大きな一般化と伝達性を実現することを目的としている。 本稿では,FSLをオープンワールド環境に適用するための最近の進歩について概説する。 既存の手法は,3つの異なるタイプのオープンワールド・マイクロショット・ラーニングに分類する。
  論文  参考訳（メタデータ） (2024-08-19T06:23:21Z)
• Detecting and Learning Out-of-Distribution Data in the Open world: Algorithm and Theory [15.875140867859209]
  この論文は、特にオープンワールドシナリオのコンテキストにおいて、機械学習の領域に貢献する。 オープンワールド機械学習に不可欠な2つの段階:アウト・オブ・ディストリビューション(OOD)検出とオープンワールド表現学習(ORL)
  論文  参考訳（メタデータ） (2023-10-10T00:25:21Z)
• A Survey of Imitation Learning: Algorithms, Recent Developments, and Challenges [9.288673880680033]
  模倣学習(英: mimicion learning、IL)とは、専門家の行動を模倣することによって望ましい行動が学習される過程である。 本稿では、ILの概要と、その基礎となる前提とアプローチの概要について述べる。 また、この分野における最近の進歩と新たな研究分野についても詳述している。
  論文  参考訳（メタデータ） (2023-09-05T11:56:07Z)
• The Future of Fundamental Science Led by Generative Closed-Loop Artificial Intelligence [67.70415658080121]
  機械学習とAIの最近の進歩は、技術革新、製品開発、社会全体を破壊している。 AIは、科学的な実践とモデル発見のための高品質なデータの大規模なデータセットへのアクセスがより困難であるため、基礎科学にはあまり貢献していない。 ここでは、科学的な発見に対するAI駆動、自動化、クローズドループアプローチの側面を調査し、調査する。
  論文  参考訳（メタデータ） (2023-07-09T21:16:56Z)
• Open Environment Machine Learning [84.90891046882213]
  従来の機械学習研究は、学習プロセスの重要な要素が不変であるような近世界のシナリオを想定している。 本稿では,新しいクラスを創出する技術,デクリメンタル/インクリメンタルな特徴,データ分散の変化,学習目標の変化,理論的諸問題について概説する。
  論文  参考訳（メタデータ） (2022-06-01T11:57:56Z)
• From Machine Learning to Robotics: Challenges and Opportunities for Embodied Intelligence [113.06484656032978]
  記事は、インテリジェンスが機械学習技術の進歩の鍵を握っていると主張している。 私たちは、インテリジェンスを具体化するための課題と機会を強調します。 本稿では,ロボット学習の最先端性を著しく向上させる研究の方向性を提案する。
  論文  参考訳（メタデータ） (2021-10-28T16:04:01Z)
• Open-world Machine Learning: Applications, Challenges, and Opportunities [0.7734726150561086]
  オープンワールド機械学習は、任意の入力(目に見えないクラスを持つデータ)を機械学習システムに処理する。 従来の機械学習は静的な学習であり、アクティブな環境には適さない。 本稿では,オープンワールド機械学習における様々な手法の体系的レビューを行う。
  論文  参考訳（メタデータ） (2021-05-27T21:05:10Z)
• Knowledge as Invariance -- History and Perspectives of Knowledge-augmented Machine Learning [69.99522650448213]
  機械学習の研究は転換点にある。 研究の関心は、高度にパラメータ化されたモデルのパフォーマンス向上から、非常に具体的なタスクへとシフトしている。 このホワイトペーパーは、機械学習研究におけるこの新興分野の紹介と議論を提供する。
  論文  参考訳（メタデータ） (2020-12-21T15:07:19Z)
• Jelly Bean World: A Testbed for Never-Ending Learning [9.560980936110234]
  Never-ending Learningは、機械学習と人間の学習のギャップを埋めることを目的とした機械学習パラダイムである。 Jelly Bean Worldテストベッドは、アイテムとエージェントがナビゲートできる2次元グリッドワールド上での実験を可能にする。 非定常環境を生成し、マルチタスク、マルチエージェント、マルチモーダル、カリキュラム学習設定での実験を容易にする。
  論文  参考訳（メタデータ） (2020-02-15T02:43:16Z)

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。