NIPS 2018 Agenda

Contínuo de aprendizagem (CL) é a capacidade de um modelo para aprender continuamente a partir de um stream de dados, baseando-se no que foi aprendido anteriormente, portanto, a expor positivo de transferência, bem como ser capaz de recordar visto anteriormente tarefas. CL é um passo fundamental para a inteligência artificial, uma vez que permite ao agente adaptar-se a um ambiente em constante mudança, característica da inteligência natural. Tem também implicações para a aprendizagem supervisionada ou não supervisionada. Por exemplo, quando o conjunto de dados não é devidamente baralhado ou existe uma deriva na distribuição de entrada, o modelo sobrepõe os dados recentemente vistos, esquecendo o resto — fenômenos referidos como esquecimento catastrófico, que é parte de CL e é algo que os sistemas CL visam abordar.A aprendizagem contínua é definida na prática através de uma série de desiderata. Uma lista não completa inclui:
* Aprendizagem Online-A aprendizagem ocorre a cada momento, sem tarefas fixas ou conjuntos de dados e sem fronteiras claras entre tarefas;
* Presença de transferência (frente/trás) — o modelo deve ser capaz de transferir previamente o visto de dados ou de tarefas para os mais novos, bem como, eventualmente, a nova tarefa deve ajudar a melhorar o desempenho nos mais velhos;
* Resistência à catastrófica esquecendo-nova aprendizagem não destruir desempenho visto anteriormente dados;
* Limitado tamanho do sistema — o modelo de capacidade deve ser corrigido, forçando o uso do sistema, sua capacidade de forma inteligente, assim como normalmente se esquecendo de tais informações, para garantir a maximização recompensa futura;
* Não há acesso direto à experiência anterior, enquanto que o modelo pode lembrar de uma quantidade limitada de experiência, de aprendizagem contínua algoritmo não deve ter acesso directo ao passado tarefas ou ser capaz de retroceder o meio ambiente;
Na edição anterior da oficina, o foco tem sido a definição de uma lista completa da desiderata, do que um contínuo de aprendizagem (CL) ativado, o sistema deve ser capaz de fazer. Acreditamos que nesta edição devemos restringir ainda mais a discussão com um foco em como avaliar CL e como ele se relaciona com outros tópicos existentes (ex. aprendizagem ao longo da vida, transferência de aprendizagem, meta-aprendizagem) e como as ideias destes tópicos podem ser úteis para a aprendizagem contínua.Os diferentes aspectos da aprendizagem contínua estão em oposição uns aos outros (por exemplo, capacidade de modelo fixo e não esquecer), o que também levanta a questão de como avaliar os sistemas de aprendizagem contínua. Por um lado, quais são as compensações certas entre estas diferentes forças opostas? Como comparar algoritmos existentes dadas essas diferentes dimensões ao longo das quais devemos avaliá-los (por exemplo, esquecimento, transferência positiva)? Quais são as métricas certas que devemos relatar? Por outro lado, os trade-offs ótimos ou significativos serão rigorosamente definidos pelos dados ou pelo menos Tipo de tarefas que usamos para testar os algoritmos. Uma tarefa predominante usada por muitos artigos recentes é PermutedMNIST. Mas como MNIST não é um conjunto de dados confiável para a classificação, então PermutedMNIST pode ser extremamente enganador para a aprendizagem contínua. Quais seriam os parâmetros de referência, conjuntos de dados ou tarefas adequados para explorar este tópico de forma frutuosa?
finalmente, também incentivaremos a apresentação de ambas as abordagens inovadoras para CL e sistemas implementados, o que ajudará a concretizar a discussão sobre o que CL é e como avaliar sistemas CL.

Deixe uma resposta

O seu endereço de email não será publicado.