التعلم القابل للتوسع مع تحليل المكونات الرئيسية الاحتمالي التدريجي

التعلم التدريجي للصفوف هو مشكلة التصنيف التي تتعلق بتعلم نموذج حيث تُضاف أمثلة من فئات كائنات جديدة بشكل متسلسل، ويُراد أن يتم إعادة تدريب النموذج فقط على الفئات الجديدة مع الحد الأدنى من إعادة التدريب على الفئات القديمة.إحدى المشكلات الرئيسية التي تواجه التعلم التدريجي للصفوف هي النسيان الكارثي، حيث ينسى النموذج المُحدَّث الفئات القديمة ويُركّز فقط على الفئات الجديدة.يُقدّم هذا البحث منهجًا بسيطًا وحديثًا للتعلم التدريجي للصفوف يستخدم مستخرجًا مُدرّبًا مسبقًا ذاتيًا لاستخراج ميزات ذات معنى، ثم يُدرّب نماذج PCA الاحتمالية على الميزات المستخرجة لكل فئة بشكل منفصل.يتم استخدام المسافة الماهالانوبس للحصول على نتيجة التصنيف، ويُشتق معادلة مكافئة لجعل هذا النهج مُيسّرًا من الناحية الحسابية.أظهرت التجارب على مجموعات بيانات قياسية وضخمة أن النهج المقترح يتفوّق على الطرق الحالية الأفضل في التعلم التدريجي بفارق كبير.ويعزز حقيقة أن النموذج يُدرّب على كل فئة بشكل منفصل إمكانية تطبيقه على مجموعات بيانات ضخمة جدًا مثل ImageNet الكاملة التي تحتوي على أكثر من 10,000 فئة.