iCaRL : Apprentissage incrémental des classifieurs et des représentations

Un problème majeur sur la voie de l'intelligence artificielle est le développement de systèmes d'apprentissage incrémentiel capables d'apprendre de plus en plus de concepts au fil du temps à partir d'un flux de données. Dans ce travail, nous présentons une nouvelle stratégie d'entraînement, iCaRL (Incremental Classifier and Representation Learning), qui permet un apprentissage de manière incrémentielle par classe : seules les données d'entraînement pour un petit nombre de classes doivent être présentes simultanément et de nouvelles classes peuvent être ajoutées progressivement. iCaRL apprend des classifieurs robustes et une représentation des données simultanément. Cela le distingue des travaux antérieurs qui étaient fondamentalement limités à des représentations de données fixes et donc incompatibles avec les architectures d'apprentissage profond. Nous montrons par des expériences sur les données CIFAR-100 et ImageNet ILSVRC 2012 que iCaRL peut apprendre de nombreux classes de manière incrémentielle sur une longue période, là où d'autres stratégies échouent rapidement.