クラスに依存しない潜在表現の獲得による継続学習における安定性と可塑性のジレンマの解消

• Item type: SIG Technical Reports(1)
• 公開日: 2022-02-24
• タイトル: クラスに依存しない潜在表現の獲得による継続学習における安定性と可塑性のジレンマの解消
• タイトル / 言語: en
• タイトル: Breaking Down Stability-Plasticity Dilemma in Continual Learning by Acquiring Class-Agnostic Features
• 言語: jpn
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_18gh
• 資源タイプ: technical report
• 著者所属: 青山学院大学大学院理工学研究科
• 著者所属: 青山学院大学理工学部
• 著者所属: 青山学院大学理工学部
• 著者所属(英): en
• 著者所属(英): Graduate School of Science and Engineering, Aoyama Gakuin University
• 著者所属(英): en
• 著者所属(英): College of Science and Engineering, Aoyama Gakuin University
• 著者所属(英): en
• 著者所属(英): College of Science and Engineering, Aoyama Gakuin University
• 著者名: 村田, 健悟; 伊東, 聖矢; 大原, 剛三
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 近年，深層学習モデルを対象とし，Class Incremental Learning（CIL）と呼ばれる，分類対象クラスが増加する継続学習のシナリオについて広く研究されている．CIL では，モデルが既学習クラスへの識別性能を保持可能なほどに安定，かつ，新規クラスについて十分学習できるほどに可塑である必要がある．この相反する要件は，安定性と可塑性のジレンマと呼ばれ，このジレンマの解消が CIL における課題の一つである．そこで本研究では，新規クラスの識別にも有用な潜在表現を事前に獲得することが学習に必要な可塑性を軽減し，このジレンマの解消につながり得ることに着目し，クラスに依存しない潜在表現の獲得を促す学習フレームワークを提案する．提案フレームワークでは，その表現を分類に適した表現へ変換するメカニズムを導入し，各クラスに対する分類精度の低下を抑制する．ベンチマークデータを利用した実験では，本フレームワークを既存手法に適用することで，最終的な全クラスに対する平均精度が向上することを示す．
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AN10505667
• 書誌情報: 研究報告数理モデル化と問題解決（MPS）; 巻 2022-MPS-137, 号 18, p. 1-6, 発行日 2022-02-24
• ISSN / 収録物識別子タイプ: ISSN
• ISSN / 収録物識別子: 2188-8833
• Notice: SIG Technical Reports are nonrefereed and hence may later appear in any journals, conferences, symposia, etc.
• 出版者 / 言語: ja
• 出版者: 情報処理学会