Few-Shot Class-Incremental Learning

新クラスを段階的に学習する能力は、現実世界における人工知能システムの開発にとって極めて重要である。本論文では、実用的かつ挑戦的な「少数サンプルクラス増分学習（Few-shot Class-Incremental Learning: FSCIL）」問題に注目する。FSCILは、従来に学習したクラスを忘却せずに、極めて少ないラベル付きサンプルからCNNモデルが新しいクラスを段階的に学習することを要請する。この課題に対処するため、異なるクラスが形成する特徴多様体のトポロジーを学習・保持できるニューラルガス（Neural Gas: NG）ネットワークを用いて知識を表現する。この枠組みに基づき、トポロジーを保存する知識増強フレームワーク「TOpology-Preserving knowledge InCrementer（TOPIC）」を提案する。TOPICは、NGのトポロジーを安定化させることで旧クラスの忘却を緩和するとともに、新しい学習サンプルに応じてNGを拡張・適応させることで、少数サンプルに対する新クラスの表現学習を向上させる。包括的な実験結果から、本手法がCIFAR100、miniImageNet、CUB200の各データセットにおいて、他の最先端クラス増分学習手法を顕著に上回ることを示した。