Two Complementary Perspectives to Continual Learning: Ask Not Only What to Optimize, But Also How

要約

近年、ディープ ニューラル ネットワークの継続的トレーニングにおいて大幅な進歩が見られました。これは主に、損失関数に再生または正則化項を追加して、これまでのすべてのタスクにわたる結合損失を近似するアプローチのおかげです。
ただし、関節損失を完全に近似しても、これらのアプローチでは、新しいタスクのトレーニングを開始するときに一時的ではあるが大幅な忘れが依然として発生することがわかります。
この「安定性のギャップ」を動機として、継続的な学習戦略は最適化の目的だけでなく、この目的が最適化される方法にも焦点を当てるべきであると私たちは提案します。
最適化の軌道を変更する継続的な学習作業 (たとえば、勾配投影技術の使用) がいくつかありますが、この一連の研究は最適化目標を改善するための代替として位置づけられていますが、私たちはそれが補完的であるべきだと主張しています。
私たちの提案の利点を評価するために、リプレイ近似結合目標と勾配投影ベースの最適化ルーチンを組み合わせて、後者の追加が (1) 安定性ギャップの緩和、(2) 安定性ギャップの増加の点で利点をもたらすかどうかをテストする予定です。
学習効率、(3) 最終的な学習成果の向上。

要約(オリジナル)

Recent years have seen considerable progress in the continual training of deep neural networks, predominantly thanks to approaches that add replay or regularization terms to the loss function to approximate the joint loss over all tasks so far. However, we show that even with a perfect approximation to the joint loss, these approaches still suffer from temporary but substantial forgetting when starting to train on a new task. Motivated by this ‘stability gap’, we propose that continual learning strategies should focus not only on the optimization objective, but also on the way this objective is optimized. While there is some continual learning work that alters the optimization trajectory (e.g., using gradient projection techniques), this line of research is positioned as alternative to improving the optimization objective, while we argue it should be complementary. To evaluate the merits of our proposition, we plan to combine replay-approximated joint objectives with gradient projection-based optimization routines to test whether the addition of the latter provides benefits in terms of (1) alleviating the stability gap, (2) increasing the learning efficiency and (3) improving the final learning outcome.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google