De nombreuses applications de la vision par ordinateur nécessitent la capacité de s'adapter à de nouvelles
distributions de données après le déploiement. L'adaptation nécessite des algorithmes capables de
apprentissage continu (CL). Les apprenants continus doivent être plastiques pour s'adapter au roman
tâches tout en minimisant l’oubli des tâches précédentes. Cependant, CL s'ouvre
des moyens permettant au bruit d'entrer dans le pipeline de formation et de perturber le CL. Ce travail
se concentre sur le bruit d'étiquette et le bruit d'instance dans le contexte de l'incrémentation de classe
apprentissage (CIL), où de nouvelles classes sont ajoutées à un classificateur au fil du temps, et
il n'y a pas d'accès aux données externes des cours passés. Nous visons à comprendre le
sensibilité des méthodes CL qui fonctionnent en rejouant des éléments d'une mémoire
construit en utilisant l'idée des Coresets. Nous dérivons une nouvelle limite pour le
robustesse d'une telle méthode au bruit d'instance non corrélé dans un contexte général
modèle additif de menace sonore, révélant plusieurs idées. Mettre la théorie
en pratique, nous créons deux algorithmes d'apprentissage continu pour construire
tampons de relecture tolérants au bruit. Nous comparons empiriquement l’efficacité de
apprenants continus antérieurs basés sur la mémoire et les algorithmes proposés sous l'étiquette
et bruit d'instance non corrélé sur cinq ensembles de données différents. Nous montrons que l'existant
Les CL basées sur la mémoire ne sont pas robustes alors que les méthodes proposées présentent des
améliorations pour maximiser la précision de la classification et minimiser les oublis dans
le réglage CIL bruyant.

Cet article explore les excursions dans le temps et leurs implications.

Télécharger PDF: