Expansión recurrente de la red para el aprendizaje incremental en clase

Área de la Ciencia:

• Visión por computadora
• Aprendizaje automático
• Inteligencia artificial

Sus antecedentes:

• El aprendizaje incremental de clase (CIL) es crucial para la inteligencia de la visión adaptativa.
• Los métodos actuales de expansión de red (NE) se enfrentan a desafíos como la difusión de características, el crecimiento de parámetros, la confusión de características y el sesgo del clasificador.

Objetivo del estudio:

• Introducir una nueva estructura dinámica, la ampliación recurrente de la red (RNE), para hacer frente a las limitaciones de los métodos CIL existentes.
• Mejorar la utilización de las características y reducir la complejidad del modelo en CIL.

Principales métodos:

• La RNE propuesta establece la transferencia secuencial de características entre los expertos en tareas a través de un módulo compartido.
• Los nuevos expertos en tareas se ajustan en función de las características recibidas, evitando la difusión y centrándose en áreas clave.
• RNE emplea la compresión reemplazando a los expertos en tareas con versiones aligeradas y utiliza un clasificador desacoplado con generación de pseudo-características para mitigar la confusión y el sesgo.

Principales resultados:

• RNE reduce significativamente los parámetros mientras mantiene el rendimiento.
• El método alivia efectivamente la confusión de las características y corrige el sesgo del clasificador.
• Se ha logrado un rendimiento de última generación (SOTA) en los conjuntos de datos CIFAR-100, ImageNet-100, Food-101 e ImageNet-1K.

Conclusiones:

• RNE ofrece una solución efectiva para el aprendizaje incremental en clase al mejorar el manejo de características y la eficiencia del modelo.
• El enfoque propuesto demuestra un rendimiento superior tanto en escenarios CIL estándar como desafiantes.