Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Pareto Continual Learning: Preference-Conditioned Learning and Adaption for Dynamic Stability-Plasticity Trade-off

Created by
  • Haebom

저자

Song Lai, Zhe Zhao, Fei Zhu, Xi Lin, Qingfu Zhang, Gaofeng Meng

개요

본 논문은 지속적 학습에서의 안정성(기존 지식 유지)과 가소성(새로운 과제 적응) 간의 균형 문제를 다룬다. 기존의 경험 재생 방법들이 고정된 균형을 추구하여 최적이 아닌 적응을 초래하는 한계를 지적하며, 안정성-가소성 트레이드오프를 다목적 최적화 문제로 재구성하는 새로운 프레임워크인 Pareto Continual Learning (ParetoCL)을 제안한다. ParetoCL은 다양한 트레이드오프를 나타내는 파레토 최적 해의 집합을 학습하고 추론 중 동적 적응을 가능하게 하는 선호도 조건 모델을 도입한다. 다양한 데이터셋과 설정에 대한 실험 결과, ParetoCL이 최첨단 방법들을 능가하고 다양한 지속적 학습 시나리오에 적응한다는 것을 보여준다.

시사점, 한계점

•
시사점:
◦
지속적 학습에서 안정성과 가소성 간의 동적인 균형 조절이 가능함을 보여줌.
◦
다목적 최적화를 통해 다양한 트레이드오프를 고려하는 새로운 접근법 제시.
◦
추론 시 상황에 맞는 최적의 균형을 동적으로 선택 가능.
◦
다양한 데이터셋과 설정에서 최첨단 성능을 달성.
•
한계점:
◦
선호도 조건 모델의 설계 및 학습 과정의 복잡성.
◦
다목적 최적화 문제 해결을 위한 계산 비용 증가 가능성.
◦
실제 응용 분야에서의 일반화 성능에 대한 추가적인 연구 필요.
👍
Made with Slashpage