Continual Hyperbolic Learning of Instances and Classes

要約

継続的な学習は、伝統的にインスタンスまたはクラスのいずれかの分類に焦点を当ててきましたが、ロボット工学や自動運転車などの現実世界のアプリケーションでは、両方を同時に処理するためのモデルが必要です。
実際のシナリオを反映するために、同時にインスタンスとクラスを継続的に学習するタスクを紹介します。
このタスクは、モデルに挑戦して、時間の経過とともに複数のレベルの粒度に適応するように挑戦します。これには、粗粒クラスの一般化との微細なインスタンス認識のバランスをとる必要があります。
この論文では、クラスとインスタンスが自然に階層構造を形成することを特定します。
これらの階層的な関係をモデル化するために、双曲線空間を活用する継続的な学習アルゴリズムであるHyperclicを提案します。これは、低歪みとコンパクトな埋め込みを持つ木のような構造を表す能力のために階層データに独自に適しています。
当社のフレームワークには、双曲線分類と蒸留目標が組み込まれており、階層関係の継続的な埋め込みを可能にします。
複数の粒度のパフォーマンスを評価するために、継続的な階層メトリックを紹介します。
動的な現実世界環境での階層オブジェクト認識の複雑さをキャプチャする唯一のデータセットであるeGoobjectsでのアプローチを検証します。
経験的結果は、階層的一般化が改善された複数の粒度で高極性が効果的に動作することを示しています。

要約(オリジナル)

Continual learning has traditionally focused on classifying either instances or classes, but real-world applications, such as robotics and self-driving cars, require models to handle both simultaneously. To mirror real-life scenarios, we introduce the task of continual learning of instances and classes, at the same time. This task challenges models to adapt to multiple levels of granularity over time, which requires balancing fine-grained instance recognition with coarse-grained class generalization. In this paper, we identify that classes and instances naturally form a hierarchical structure. To model these hierarchical relationships, we propose HyperCLIC, a continual learning algorithm that leverages hyperbolic space, which is uniquely suited for hierarchical data due to its ability to represent tree-like structures with low distortion and compact embeddings. Our framework incorporates hyperbolic classification and distillation objectives, enabling the continual embedding of hierarchical relations. To evaluate performance across multiple granularities, we introduce continual hierarchical metrics. We validate our approach on EgoObjects, the only dataset that captures the complexity of hierarchical object recognition in dynamic real-world environments. Empirical results show that HyperCLIC operates effectively at multiple granularities with improved hierarchical generalization.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google