論文の概要: CLEO: Continual Learning of Evolving Ontologies

• arxiv url: http://arxiv.org/abs/2407.08411v1
• Date: Thu, 11 Jul 2024 11:32:33 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-12 17:49:33.771215
• Title: CLEO: Continual Learning of Evolving Ontologies
• Title（参考訳）: CLEO: 進化するオントロジーの継続的な学習
• Authors: Shishir Muralidhara, Saqib Bukhari, Georg Schneider, Didier Stricker, René Schuster,
• Abstract要約: 継続的な学習(CL)は、知的システムに人間の生涯学習を浸透させることを目的としている。 一般的な学習プロセスは、学習情報だけでなく、既存の情報の洗練にも限界がある。 CLEOは、時間とともに現実の変化に適応するインテリジェントなシステムの必要性によって動機付けられている。
• 参考スコア（独自算出の注目度）: 12.18795037817058
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Continual learning (CL) addresses the problem of catastrophic forgetting in neural networks, which occurs when a trained model tends to overwrite previously learned information, when presented with a new task. CL aims to instill the lifelong learning characteristic of humans in intelligent systems, making them capable of learning continuously while retaining what was already learned. Current CL problems involve either learning new domains (domain-incremental) or new and previously unseen classes (class-incremental). However, general learning processes are not just limited to learning information, but also refinement of existing information. In this paper, we define CLEO - Continual Learning of Evolving Ontologies, as a new incremental learning setting under CL to tackle evolving classes. CLEO is motivated by the need for intelligent systems to adapt to real-world ontologies that change over time, such as those in autonomous driving. We use Cityscapes, PASCAL VOC, and Mapillary Vistas to define the task settings and demonstrate the applicability of CLEO. We highlight the shortcomings of existing CIL methods in adapting to CLEO and propose a baseline solution, called Modelling Ontologies (MoOn). CLEO is a promising new approach to CL that addresses the challenge of evolving ontologies in real-world applications. MoOn surpasses previous CL approaches in the context of CLEO.
• Abstract（参考訳）: 連続学習(CL)は、ニューラルネットワークにおける破滅的な忘れの問題に対処する。これは、トレーニングされたモデルが、新しいタスクを提示すると、以前に学習した情報を上書きする傾向がある場合に発生する。 CLは、知的システムに人間の生涯学習特性を組み込むことを目標としており、すでに学んだことを維持しながら継続的に学習することができる。 現在のCL問題は、新しいドメイン(ドメインインクリメンタル)または新しいクラス(クラスインクリメンタル)を学習することである。 しかし、一般的な学習プロセスは、学習情報だけでなく、既存の情報の洗練にも限界がある。 本稿では,CLEO-Continuous Learning of Evolving Ontology(進化オントロジーの連続学習)をCLの下での新たな漸進学習環境として定義する。 CLEOは、自律運転など、時間とともに変化する現実世界のオントロジーに適応するインテリジェントシステムの必要性によって動機付けられている。 私たちはCityscapes、PASCAL VOC、Mapillary Vistasを使ってタスク設定を定義し、CLEOの適用性を実証しています。 我々は、CLEOに適応する既存のCILメソッドの欠点を強調し、Modelling Ontologies (MoOn)と呼ばれるベースラインソリューションを提案する。 CLEOは、現実世界のアプリケーションにおけるオントロジの進化という課題に対処する、CLに対する有望な新しいアプローチである。 MoOnはCLEOのコンテキストにおいて、以前のCLアプローチを上回っている。

関連論文リスト

• Continual Task Learning through Adaptive Policy Self-Composition [54.95680427960524]
  CompoFormerは構造ベースの連続トランスフォーマーモデルであり、メタポリシックネットワークを介して、以前のポリシーを適応的に構成する。 実験の結果,CompoFormerは従来の継続学習法(CL)よりも優れており,特にタスクシーケンスが長いことが判明した。
  論文  参考訳（メタデータ） (2024-11-18T08:20:21Z)
• CLoG: Benchmarking Continual Learning of Image Generation Models [29.337710309698515]
  本稿では,分類に基づくCLからCLoGへの移行を提唱する。 我々は,既存のCL手法,リプレイベース,正規化ベース,パラメータアイソレーションベースの3種類の手法を生成タスクに適用する。 我々のベンチマークと結果から、将来のCLoG手法の開発に有用な興味深い洞察が得られる。
  論文  参考訳（メタデータ） (2024-06-07T02:12:29Z)
• Recent Advances of Foundation Language Models-based Continual Learning: A Survey [31.171203978742447]
  基礎言語モデル (LM) は自然言語処理 (NLP) とコンピュータビジョン (CV) の分野において重要な成果を上げている。 しかし、破滅的な忘れ物のため、人間のような継続的学習をエミュレートすることはできない。 従来の知識を忘れずに新しいタスクに適応できるように、様々な連続学習(CL)ベースの方法論が開発されている。
  論文  参考訳（メタデータ） (2024-05-28T23:32:46Z)
• A Unified and General Framework for Continual Learning [58.72671755989431]
  継続学習(CL)は、以前取得した知識を維持しながら、動的かつ変化するデータ分布から学ぶことに焦点を当てている。 正規化ベース、ベイズベース、メモリ再生ベースなど、破滅的な忘れ込みの課題に対処する様々な手法が開発されている。 本研究の目的は,既存の方法論を包含し,整理する包括的かつ包括的な枠組みを導入することで,このギャップを埋めることである。
  論文  参考訳（メタデータ） (2024-03-20T02:21:44Z)
• POP: Prompt Of Prompts for Continual Learning [59.15888651733645]
  継続的な学習(CL)は、破滅的な忘れをせずに新しい概念を学習する人間の能力を模倣することを目的としている。 POP学習を用いた基礎モデルでは,古典的なCL手法よりも優れた性能が得られることを示す。
  論文  参考訳（メタデータ） (2023-06-14T02:09:26Z)
• Beyond Supervised Continual Learning: a Review [69.9674326582747]
  連続学習(Continuous Learning, CL)は、定常データ分布の通常の仮定を緩和または省略する機械学習のフレーバーである。 データ分布の変化は、いわゆる破滅的な忘れ(CF)効果、すなわち、過去の知識の突然の喪失を引き起こす可能性がある。 本稿では、CLを他の環境で研究する文献をレビューする。例えば、監督を減らした学習、完全に教師なしの学習、強化学習などである。
  論文  参考訳（メタデータ） (2022-08-30T14:44:41Z)
• Continual Lifelong Learning in Natural Language Processing: A Survey [3.9103337761169943]
  連続学習(continual learning, cl)は,情報システムが時間を越えた連続的なデータストリームから学ぶことを可能にする。 既存のディープラーニングアーキテクチャでは、以前獲得した知識をほとんど忘れずに新しいタスクを学習することは困難である。 我々は様々なnlpタスクのレンズを通してclの問題を検討する。
  論文  参考訳（メタデータ） (2020-12-17T18:44:36Z)
• A Survey on Curriculum Learning [48.36129047271622]
  Curriculum Learning(CL)は、より簡単なデータからより難しいデータまで、マシンラーニングモデルをトレーニングするトレーニング戦略である。 CL戦略は、使い易いプラグインとして、様々なモデルの一般化能力と収束率を改善する能力を示した。
  論文  参考訳（メタデータ） (2020-10-25T17:15:04Z)
• Online Fast Adaptation and Knowledge Accumulation: a New Approach to Continual Learning [74.07455280246212]
  継続的な学習は、新しいタスクに適応しながら、以前のタスクを忘れずにタスクの流れから学ぶエージェントを研究する。 この新たなシナリオでは、現在の連続学習、メタ学習、メタ連続学習、および連続メタ学習技術が失敗することを示します。 本稿では,このシナリオの強力なベースラインとして,人気のあるMAMLアルゴリズムのオンライン拡張であるContinual-MAMLを提案する。
  論文  参考訳（メタデータ） (2020-03-12T15:47:16Z)

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。