パターンを読み込んでいます…
🔄
継続学習(CL)
一連のタスクやデータ分布から学習しつつ、以前に獲得した能力の喪失を測定・抑制する手法
複雑さ: high学習と適応
30秒でわかる概要
- 概要
- 新しいタスクを順に学習しながら、リハーサル、正則化、タスク固有のアダプタによって、以前のタスクの性能低下を測定し防ぎます。
- 使いどころ
- システムが時間をかけて複数のタスクやデータ分布から学習しつつ、以前の能力を失わず、過去の全データへのアクセスも必要としない場合。
- 注意点
- 真の破滅的忘却を測るには、あらゆる段階で全タスクにわたる完全な評価行列を維持する必要があり、タスク数が増えるほどコストが膨らみます。
このパターンについてAIエキスパートに質問
質問が入力済みの状態でアシスタントが開きます。送信前に内容を確認できます。
継続学習: 概要
一連のタスクやデータ分布から学習しつつ、以前に獲得した能力の喪失を測定・抑制する手法
- Catastrophic forgetting measurement
- Sequential task learning
- Regularization such as EWC
- Rehearsal and replay
- Task-specific adapters
- Forward and backward transfer evaluation
The Agent Architect
1つのパターン、1つのトレードオフ、1つの本番障害事例。エージェントシステムを構築する人のための短い週刊ブリーフィング。
週1回のメール、ワンクリックで購読解除できます。アドレスはブリーフィングの送信のみに使用します。
参考文献
このパターンの根拠となる論文、仕様、リポジトリです。
- Overcoming catastrophic forgetting in neural networks (2017)arXiv:1612.00796
このカタログを作ったエンジニアが担当
エージェント構成をレビューします
このページが扱うのは1つのパターンです。実際のシステムは数十を組み合わせて動き、障害の多くはその繋ぎ目で起きます。カタログの288パターンに照らして設計全体をレビューします。アーキテクチャ、信頼性、評価、コストまで、指摘ごとに対応するパターンを示します。
€750（通常€1,500）・1週間・文書レポートとウォークスルーコール・9月30日まで