AI用語集
人工知能の完全辞典
インクリメンタル学習
モデルが新しいデータから継続的に改善され、過去のデータ全体の再学習を必要としない学習パラダイム。このアプローチは、以前に獲得した知識を保持しながら、リアルタイムでの適応を可能にする。
継続学習
完全なリセットなしに複数のタスクを順次学習できるシステムを開発することを目指すAIの分野。目標は、長期的に知識を蓄積する適応型モデルを作成することである。
動的拡張ネットワーク
新しいクラスやタスクが出現した際に、新しいユニットや層を追加することで動的にアーキテクチャを適応させるモデル。この制御された拡張により、既存の性能を損なうことなく効率的な成長が可能となる。
正則化ベース手法
重要な重みの変更を制約するために損失関数にペナルティ項を使用するアプローチのファミリー。これらの手法は、以前のタスクにおける性能にとって重要なパラメータを特定し保護する。
アーキテクチャベース手法
古い知識と干渉することなく新しい知識に対応するためにネットワーク構造を変更する継続学習戦略。これらのアプローチには動的拡張とタスクごとの専用リソース割り当てが含まれる。
リプレイベース手法
過去のデータの保存と選択的再利用を使用して性能を維持する継続学習技術。これらの手法は、記憶された経験の選択と再サンプリング戦略において異なる。
タスクインクリメンタル学習
推論時にタスクの識別が既知である継続学習シナリオ。これにより、マスクや特定のサブネットワークの使用が可能となる。この単純化により、異なるタスク間での知識の分離が容易になる。
ドメインインクリメンタル学習
クラスは一定であるが、データ分布がタスク間で徐々に変化するパラダイム。モデルはすべてのクラスを認識する能力を維持しながら、新しいドメインに適応しなければならない。
クラス増分学習
タスクの識別情報なしに新しいクラスが段階的に導入される最も制約の厳しいシナリオ。モデルは過去の知識を忘れることなく、既存クラスと新規クラスを区別しなければならない。