Marco de aprendizaje dual de dominio-atributo con adaptadores asíncronos para adaptación continua en tiempo de prueba

Área de la Ciencia:

• Inteligencia Artificial; Aprendizaje Automático; Visión por Computadora

Sus antecedentes:

• La adaptación continua de dominio en tiempo de prueba (CTTA) aborda la implementación de modelos en entornos dinámicos y no estacionarios adaptando modelos preentrenados a dominios de destino no etiquetados en evolución.
• Los métodos CTTA actuales a menudo sincronizan el aprendizaje de información específica del dominio (DS) e invariante del dominio (DI), lo que lleva a la acumulación de errores y al olvido catastrófico debido a las discrepancias entre dominios.

Objetivo del estudio:

• Proponer un novedoso marco de aprendizaje dual de dominio-atributo inspirado en el Modelo de Memoria de Atributos (AMM) del cerebro.
• Permitir que los modelos aprendan nuevo conocimiento sin olvidar información previa durante la adaptación continua.

Principales métodos:

• Descomposición de CTTA en un sistema de aprendizaje basado en eventos (ELS) para el estilo DS y un sistema de aprendizaje basado en conocimiento (KLS) para la estructura DI.
• ELS crea activamente adaptadores para nuevos dominios basándose en cambios de distribución, mientras que KLS utiliza un adaptador compartido para el conocimiento general.
• Implementación de un solucionador de conflictos de gradientes para gestionar conflictos entre el conocimiento DI pasado y actual para una adaptación sin interferencias.

Principales resultados:

• El marco propuesto demostró un rendimiento superior en tareas de CTTA de segmentación y clasificación.
• Superó a los enfoques de vanguardia en cuatro conjuntos de datos de referencia.
• Abordó con éxito los problemas de acumulación de errores y olvido catastrófico inherentes a los métodos CTTA anteriores.

Conclusiones:

• El marco de aprendizaje dual de dominio-atributo ofrece una solución eficaz para CTTA al separar y gestionar el conocimiento DS y DI de forma asíncrona.
• El mecanismo de actualización asíncrona independiente, inspirado en la neurociencia, mejora la adaptabilidad del modelo y la retención del conocimiento en dominios en evolución.
• Este enfoque representa un avance significativo en el manejo de entornos no estacionarios para modelos de aprendizaje automático.