2018 일정

지속적인 학습은 모델이 이전에 배운 것을 기반으로 데이터 스트림을 통해 지속적으로 학습 할 수있는 능력이므로 긍정적 인 전달을 나타내고 이전에 본 작업을 기억할 수 있습니다. 씨엘은 인공지능을 향한 근본적인 단계로서,에이전트가 자연지능의 특징인 끊임없이 변화하는 환경에 적응할 수 있도록 합니다. 또한 감독 또는 감독되지 않은 학습에 영향을 미칩니다. 예를 들어,데이터 집합이 제대로 섞이지 않았거나 입력 분포에 드리프트가 존재하는 경우,모델은 최근에 본 데이터를 오버플로하여 나머지를 잊어 버립니다.
지속적인 학습은 일련의 데시데라타를 통해 실제로 정의된다. 온라인 학습-학습은 고정 된 작업이나 데이터 세트 및 작업 사이의 명확한 경계없이,매 순간에 발생합니다;
*경계 시스템 크기-모델 용량은 고정되어야 하며,시스템이 지능적으로 용량을 사용하도록 강요하고,미래의 보상 수준을 극대화하기 위해 정보를 정상적으로 잊어야 한다.;
*이전 경험에 직접 접근하지 않음-모델은 제한된 양의 경험을 기억할 수 있지만 지속적인 학습 알고리즘은 과거의 작업에 직접 접근하거나 환경을 되감기 할 수 없어야합니다.
우리는 이 판에서 씨엘을 평가하는 방법과 그것이 기존의 다른 주제(예: 평생 학습,이전 학습,메타 학습)및 이러한 주제의 아이디어가 지속적인 학습에 유용 할 수있는 방법.
지속적인 학습의 서로 다른 측면(예:고정 모델 용량 및 잊지 않음)은 서로 반대되며,이는 지속적인 학습 시스템을 평가하는 방법에 대한 질문을 제기합니다. 한 손으로,이 서로 다른 반대 세력 사이의 올바른 트레이드 오프는 무엇입니까? 우리가 평가해야하는 서로 다른 차원(예:잊어 버림,긍정적 인 전달)을 감안할 때 기존 알고리즘을 어떻게 비교합니까? 보고해야 할 올바른 지표는 무엇입니까? 반면에,최적 또는 의미있는 트레이드 오프는 알고리즘을 테스트하는 데 사용하는 데이터 또는 적어도 유형의 작업에 의해 엄격하게 정의 될 것입니다. 최근 많은 논문에서 사용되는 널리 퍼진 작업 중 하나는 순열입니다. 그러나 분류에 대한 신뢰할 수있는 데이터 세트가 아니기 때문에 순열은 지속적인 학습을 위해 매우 오해의 소지가있을 수 있습니다. 이 주제를 유익하게 활용하기위한 올바른 벤치 마크,데이터 세트 또는 작업은 무엇입니까?
마지막으로,씨엘에 대한 새로운 접근법과 구현된 시스템 모두에 대한 발표를 장려할 것이며,이는 씨엘이 무엇인지,그리고 씨엘의 평가 방법에 대한 논의를 구체화하는 데 도움이 될 것이다.

답글 남기기

이메일 주소는 공개되지 않습니다.