An experimental approach on Few Shot Class Incremental Learning

要約

少数のクラスインクリメンタル学習（FSCIL）は、機械学習のより広範な範囲内で最先端のパラダイムを表し、既存の知識を保護しながら、限られた例で新しいクラスのデータを同化する能力をモデルに強化するように設計されています。
このペーパーでは、選択した方法を評価および比較するために、大規模なデータセット、ドメインシフト、およびネットワークアーキテクチャにわたって広範な実験を含むさまざまなソリューションを提示します。
彼らの利点を強調し、視覚言語（V-L）モデル（CLIP）を別のV-Lモデル（CLOOB）に置き換えることにより、最も有望なアプローチを改善する目的で実験的アプローチを提示します。
このレポートの目的は、そのパフォーマンスを改善するFSCILの実験方法を提示することです。
また、FSCILドメインでの最近の進歩の概要とその後の分析を提供し、壊滅的な忘却を緩和し、モデルの適応性を改善するためのさまざまな戦略に焦点を当て、タスクやデータセットを進化させることを計画しています。

要約(オリジナル)

Few-Shot Class-Incremental Learning (FSCIL) represents a cutting-edge paradigm within the broader scope of machine learning, designed to empower models with the ability to assimilate new classes of data with limited examples while safeguarding existing knowledge. The paper will present different solutions which contain extensive experiments across large-scale datasets, domain shifts, and network architectures to evaluate and compare the selected methods. We highlight their advantages and then present an experimental approach with the purpose of improving the most promising one by replacing the visual-language (V-L) model (CLIP) with another V-L model (CLOOB) that seem to outperform it on zero-shot learning tasks. The aim of this report is to present an experimental method for FSCIL that would improve its performance. We also plan to offer an overview followed by an analysis of the recent advancements in FSCIL domain, focusing on various strategies to mitigate catastrophic forgetting and improve the adaptability of models to evolving tasks and datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google