$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

데이터 유사도를 이용한 지속적 학습방법
Continual Learning using Data Similarity 원문보기

전기전자학회논문지 = Journal of IKEEE, v.24 no.2, 2020년, pp.514 - 522  

박성현 (Dept. of Embedded Systems Engineering, Incheon National University) ,  강석훈 (Dept. of Embedded Systems Engineering, Incheon National University)

초록
AI-Helper 아이콘AI-Helper

Continuous Learning 환경에서 인공 신경망의 학습이 진행됨에 따라 이전에 학습했던 데이터의 정보를 잊는 Catastrophic Forgetting 현상이 있다. 서로 다른 Domain을 갖는 데이터 사이에서 쉽게 발생한다. 이 현상을 제어하기 위해 신경망의 출력 분포를 통해 이전에 학습된 데이터와 새로 학습할 데이터들의 관계를 측정하는 방법과 이 측정값을 사용하여 Catastrophic Forgetting 현상을 완화하는 방법을 제시한다. 평가를 위해 MNIST, EMNIST 데이터를 사용하였고 실험 결과, 이전 데이터에 대한 정확도가 평균적으로 약 22.37% 향상되었다.

Abstract ▼ AI-Helper 아이콘AI-Helper

In Continuous Learning environment, we identify that the Catastrophic Forgetting phenomenon, which forgets the information of previously learned data, occurs easily between data having different domains. To control this phenomenon, we introduce how to measure the relationship between previously lear...

주제어

#Continuous Learning   #Catastrophic Forgetting   #Neural Network   #Deep Learning   #Regularization  

표/그림 (17)

AI 본문요약
AI-Helper 아이콘 AI-Helper

문제 정의

  • CL 환경에서 새로운 학습 데이터가 이전 학습 데이터의 분포와 상반된 분포를 보인다면 성능이 떨어지는 경향을 보였다. 이를 해결하기 위해 이전 에 학습된 데이터와 새로 학습할 데이터들의 관계 를 파악하는 방법을 제안하였다. 이 방법을 사용하 여 이전에 학습한 데이터와 현재 학습할 데이터의 (521) Continual Learning using Data Similarity 151 관계를 파악하여 치명적 망각을 일으킬 확률이 높 은 데이터를 찾아낼 수 있었고 이 정보를 이용하여 데이터가 학습될 때 미치는 영향을 최소화하기 위 해 정규화 강도를 조절하여 학습한 결과 이전 데이 터에 대한 정확도의 평균이 약 22.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
CL 관련 기술의 특징 중 하나는 무엇인가? CL(Continuous Learning)은 새로운 환경에 적응 하고 복잡한 기술과 지식을 습득할 수 있는 인공지 능 에이전트를 생성하기 위한 중요한 단계이다[1]. CL 관련 기술의 특징 중 하나는 최신 데이터를 사 용하여 모델을 계속 업데이트해야 한다는 것이다. 그러나 이전 학습 데이터를 메모리에 계속 보존하 며 학습하는 것은, 시스템의 구현 관점에서 힘든 것이다.
Permuted MNIST 데이터는 무엇인가? 이를 확인할 실험에 앞서 검증을 위한 Permuted MNIST 데이터를 추가로 사용하였다. 그림 5에 나타 낸 것과 같이, Permuted MNIST 데이터는 MNIST 이미지의 픽셀 순서를 고정된 패턴으로 재배열하 여 새로운 Task의 학습 데이터로 사용한다. 이는 새로운 Task에서 이전의 Task와 형태가 다른 이 미지 데이터를 사용한 것과 같은 효과를 낸다.
치명적 망각 (Catastrophic Forgetting) 현상은 언제 더 심해지는가? 그러나 치명적 망각은 여전히 효과적인 CL 구 현을 향한 주요 장애물이다. 특히 새로운 데이터가 이전 데이터의 분포와 상반된 분포를 보인다면 이러한 현상은 더 심해지게 된다[3, 4]. 망각현상을 제어하기 위해서는 이전 데이터와 새로운 데이터 를 같이 고려하는 방법이 필요하다.
질의응답 정보가 도움이 되었나요?

참고문헌 (10)

  1. IJ. Goodfellow, et al., "An empirical investigation of catastrophic forgetting in gradient-based neural networks," arXiv preprint arXiv:1312.6211, 2013. 

  2. RM. French, "Catastrophic forgetting in connectionist networks," Trends in cognitive sciences, Vol.3, No.4, pp.128-135, 1999. DOI: 10.1016/S1364-6613(99)01294-2 

    상세보기 crossref

  3. J. Kirkpatrick, et al., "Overcoming catastrophic forgetting in neural networks," Proceedings of the national academy of sciences, Vol.114, No.13, pp.3521-3526, 2017. DOI: 10.1073/pnas.1611835114 

    상세보기 crossref

  4. YC. Hsu, et al., "Re-evaluating continual learning scenarios: A categorization and case for strong baselines," arXiv preprint arXiv:1810.12488, 2018. 

  5. V. Lomonaco, and D. Maltoni, "Core50: a new dataset and benchmark for continuous object recognition," arXiv preprint arXiv:1705.03550, 2017. 

  6. D. Maltoni, and V. Lomonaco, "Continuous learning in single-incremental-task scenarios," Neural Networks, Vol.116, pp.56-73, 2019. DOI: 10.1016/j.neunet.2019.03.010 

    상세보기 crossref

  7. Y. LeCun, et al., "Gradient-based learning applied to document recognition," Proceedings of the IEEE, Vol.86, No.11, pp.2278-2324, 1998. DOI: 10.1109/5.726791 

    상세보기 crossref

  8. G. Cohen, et al. "EMNIST: Extending MNIST to handwritten letters," In: 2017 International Joint Conference on Neural Networks (IJCNN). IEEE, pp.2921-2926, 2017. DOI: 10.1109/IJCNN.2017.7966217 

  9. GI. Parisi, et al., "Continual lifelong learning with neural networks: A review," Neural Networks, 2019. DOI: 10.1016/j.neunet.2019.01.012. 

  10. R Kemker, et al, "Measuring catastrophic forgetting in neural networks," In: Thirty-second AAAI conference on artificial intelligence. 2018. 

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로