Improving Continual Learning Performance and Efficiency with Auxiliary Classifiers
Created by
Haebom
저자
Filip Szatkowski, Yaoyue Zheng, Fei Yang, Bart{\l}omiej Twardowski, Tomasz Trzcinski, Joost van de Weijer
개요
본 논문은 자원 제약 환경에서 기계 학습 적용에 중요한 지속적 학습에서 발생하는 치명적 망각 문제를 해결하기 위한 연구이다. 연구진은 신경망의 중간 표현이 망각에 덜 취약하다는 것을 발견하고, 이를 활용하여 보조 분류기(Auxiliary Classifiers, ACs)를 도입하는 방법을 제안한다. 다양한 지속적 학습 방법에 ACs를 통합하여 평균 10%의 정확도 향상을 달성하였으며, 추론 비용 또한 10-60% 감소시키는 효율적인 지속적 학습 솔루션을 제시한다. ACs를 활용하여 모든 계층의 계산을 완료하기 전에 예측을 반환할 수 있도록 하였다.
시사점, 한계점
•
시사점:
◦
보조 분류기를 활용하여 지속적 학습의 정확도를 평균 10% 향상시킬 수 있음.
◦
보조 분류기를 활용하여 추론 비용을 10-60% 감소시키면서 정확도를 유지할 수 있음.
◦
신경망의 중간 표현이 지속적 학습에서 망각에 대한 저항성을 가짐을 보임.
◦
제안된 방법은 확장 가능하고 효율적인 지속적 학습 솔루션을 제공함.
•
한계점:
◦
제안된 방법의 성능 향상이 모든 지속적 학습 환경에서 일관되게 나타나는지에 대한 추가적인 연구가 필요함.