継続的なテスト時適応のための非同期アダプターを備えたデュアルドメイン属性学習フレームワーク

科学分野:

• 人工知能
• 機械学習
• コンピュータビジョン

背景:

• 継続的なテスト時ドメイン適応（CTTA）は、事前トレーニングされたモデルを進化するラベルなしターゲットドメインに適応させることにより、動的で非定常な環境でのモデル展開に対処します。
• 現在のCTTA法では、ドメイン固有（DS）およびドメイン不変（DI）の情報学習が同期されることが多く、クロスドメインの不一致によるエラー蓄積と破滅的な忘却につながります。

研究 の 目的:

• 脳の属性記憶モデル（AMM）に着想を得た新しいデュアルドメイン属性学習フレームワークを提案します。
• 継続的な適応中に、以前の情報を忘れることなく新しい知識を学習できるようにします。

主な方法:

• CTTAを、DSスタイルイベントベース学習システム（ELS）およびDI構造知識ベース学習システム（KLS）に分解します。
• ELSは、分布シフトに基づいて新しいドメインのアダプターを積極的に構築する一方、KLSは一般的な知識のために共有アダプターを使用します。
• 干渉のない適応のために、過去と現在のDI知識間の競合を管理するための勾配競合ソルバーを実装します。

主要な成果:

• 提案されたフレームワークは、セグメンテーションと分類のCTTAタスクの両方で優れたパフォーマンスを示しました。
• 4つのベンチマークデータセットすべてで最先端のアプローチを上回りました。
• 以前のCTTA法の固有のエラー蓄積と破滅的な忘却の問題を正常に解決しました。

結論:

• デュアルドメイン属性学習フレームワークは、DSおよびDI知識を非同期に分離および管理することにより、CTTAの効果的なソリューションを提供します。
• 神経科学に着想を得た独立した非同期更新メカニズムは、進化するドメインにおけるモデルの適応性と知識保持を強化します。
• このアプローチは、機械学習モデルの非定常環境の処理における重要な進歩を表します。