Kontinuierliches Lernen einer gemischten Sequenz ähnlicher und unterschiedlicher Aufgaben

Bestehende Forschung zum kontinuierlichen Lernen einer Aufgabenfolge konzentriert sich auf die Bewältigung des katastrophalen Vergessens, wobei angenommen wird, dass die Aufgaben voneinander unterschiedlich sind und nur wenig gemeinsames Wissen aufweisen. Einige Arbeiten haben sich ebenfalls mit der Übertragung bereits erlernten Wissens auf neue Aufgaben beschäftigt, wenn die Aufgaben ähnlich sind und gemeinsames Wissen besitzen. Sofern uns bekannt ist, wurde bisher kein Ansatz vorgeschlagen, der eine Folge gemischter ähnlicher und unterschiedlicher Aufgaben lernen kann und gleichzeitig sowohl das Vergessen bekämpft als auch Wissen sowohl vorwärts als auch rückwärts übertragen kann. In diesem Artikel wird ein solcher Ansatz vorgestellt, der es ermöglicht, beide Aufgabentypen in derselben Netzwerkarchitektur zu lernen. Bei unterschiedlichen Aufgaben richtet sich der Algorithmus auf die Bewältigung des Vergessens, während er bei ähnlichen Aufgaben gezielt Wissen aus bestimmten vorherigen ähnlichen Aufgaben überträgt, um die Lernleistung für die neue Aufgabe zu verbessern. Zudem erkennt der Algorithmus automatisch, ob eine neue Aufgabe einer oder mehreren vorherigen Aufgaben ähnlich ist. Die empirische Evaluierung an Sequenzen gemischter Aufgaben belegt die Wirksamkeit des vorgeschlagenen Modells.