新規IIL設定：新しいデータのみでデプロイされたモデルを強化

リンク一覧

概要と1 はじめに

1. 関連研究

2. 問題設定

3. 方法論

   4.1. 決定境界を考慮した蒸留

   4.2. 知識の統合

4. 実験結果と5.1. 実験セットアップ

   5.2. 最先端手法との比較

   5.3. アブレーション研究

5. 結論と今後の課題および参考文献

   \

補足資料

1. IILにおけるKCEMAメカニズムの理論的分析の詳細
2. アルゴリズム概要
3. データセットの詳細
4. 実装の詳細
5. ダスト処理された入力画像の可視化
6. その他の実験結果

3. 問題設定

提案されたIIL設定の図解は図1に示されています。見てわかるように、データはデータストリームにおいて継続的かつ予測不可能に生成されます。一般的な実際のアプリケーションでは、人々はまず十分なデータを収集し、展開のための強力なモデルM0を訓練する傾向があります。モデルがどれほど強力であっても、分布外のデータに遭遇して失敗することは避けられません。これらの失敗したケースや他の低スコアの新しい観測値は、時々モデルを訓練するために注釈が付けられます。毎回蓄積されたすべてのデータでモデルを再訓練することは、時間とリソースのコストが高くなります。したがって、新しいIILは、毎回新しいデータのみを使用して既存のモデルを強化することを目指しています。

\

\

\

:::info 著者：

(1) Qiang Nie, 香港科技大学（広州）;

(2) Weifu Fu, テンセントYoutuラボ;

(3) Yuhuan Lin, テンセントYoutuラボ;

(4) Jialin Li, テンセントYoutuラボ;

(5) Yifeng Zhou, テンセントYoutuラボ;

(6) Yong Liu, テンセントYoutuラボ;

(7) Qiang Nie, 香港科技大学（広州）;

(8) Chengjie Wang, テンセントYoutuラボ.

:::

:::info この論文はarxivで入手可能であり、CC BY-NC-ND 4.0 Deed（帰属-非営利-改変禁止 4.0 国際）ライセンスの下で提供されています。

:::

\