CBCL-PR: A Cognitively Inspired Model for Class-Incremental Learning in Robotics

要約

現実世界のほとんどのアプリケーションでは、ロボットは環境内の限られたデータを使用して適応し、継続的に学習する必要があります。
この論文では、AI エージェントが以前に学習したデータを忘れることなく、少数のデータ サンプルから段階的に学習する必要がある、Few-Shot クラスの増分学習 (FSIL) の問題について考察します。
この問題を解決するために、海馬と新皮質における概念学習の理論に触発された新しいフレームワークを提案します。
私たちのフレームワークは、オブジェクト クラスをクラスターのセットの形式で表し、それらをメモリに保存します。
このフレームワークは、新しいクラスを学習する際の忘れを避けるために、古いクラスのクラスターによって生成されたデータを再生します。
私たちのアプローチは 2 つのオブジェクト分類データセットで評価され、クラス増分学習と FSIL の最先端 (SOTA) パフォーマンスが得られます。
また、ロボット上で FSIL のフレームワークを評価し、限られた人間の支援でロボットが大量の家庭用品の分類を継続的に学習できることを実証しました。

要約(オリジナル)

For most real-world applications, robots need to adapt and learn continually with limited data in their environments. In this paper, we consider the problem of Few-Shot class Incremental Learning (FSIL), in which an AI agent is required to learn incrementally from a few data samples without forgetting the data it has previously learned. To solve this problem, we present a novel framework inspired by theories of concept learning in the hippocampus and the neocortex. Our framework represents object classes in the form of sets of clusters and stores them in memory. The framework replays data generated by the clusters of the old classes, to avoid forgetting when learning new classes. Our approach is evaluated on two object classification datasets resulting in state-of-the-art (SOTA) performance for class-incremental learning and FSIL. We also evaluate our framework for FSIL on a robot demonstrating that the robot can continually learn to classify a large set of household objects with limited human assistance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google