iCaRL: 증분 분류기 및 표현 학습

인공지능에 이르는 길에서 주요한 미해결 문제 중 하나는 시간이 지남에 따라 데이터 스트림으로부터 점점 더 많은 개념을 학습하는 증분 학습 시스템의 개발입니다. 본 연구에서는 이러한 클래스 증분 방식으로 학습할 수 있는 새로운 훈련 전략인 iCaRL을 소개합니다. iCaRL은 몇몇 클래스의 훈련 데이터만 동시에 존재할 필요가 있으며, 새로운 클래스를 점진적으로 추가할 수 있습니다. iCaRL은 강력한 분류기와 데이터 표현을 동시에 학습합니다. 이는 기존 연구들이 고정된 데이터 표현에 제한되어 깊은 학습 구조와 호환되지 않았던 것과 구별됩니다. CIFAR-100 및 ImageNet ILSVRC 2012 데이터를 사용한 실험 결과, iCaRL이 다른 전략들이 빠르게 실패하는 반면 오랜 기간 동안 많은 클래스를 증분적으로 학습할 수 있음을 보여주었습니다.