开放世界学习综述及迈向无标签开放世界学习的步骤
计算机视觉与模式识别
2022-01-04 v3 人工智能
机器学习
图像与视频处理
信号处理
摘要
在开放世界学习中，智能体从一组已知类出发，检测并管理其未知的事物，并从非平稳数据流中随时间学习它们。开放世界学习与众多其他学习问题相关但又有所区别，本文简要分析了包括增量学习、广义新颖性发现和广义零样本学习在内的一系列问题之间的关键差异。本文形式化了各种开放世界学习问题，包括无标签开放世界学习。这些开放世界问题可通过修改已知要素来解决，我们提出一个新框架，使智能体能够组合新颖性检测、新颖性刻画、增量学习和实例管理等多种模块，以无监督方式从非标签数据流中学习新类，调研了如何调整若干最先进技术以适配该框架，并利用它们定义了无标签开放世界学习问题的七个基线。随后我们讨论了开放世界学习质量，并分析了其如何改进实例管理。我们还讨论了无标签开放世界学习中出现的若干一般性歧义问题。
引用
@article{arxiv.2011.12906,
title = {A Review of Open-World Learning and Steps Toward Open-World Learning Without Labels},
author = {Mohsen Jafarzadeh and Akshay Raj Dhamija and Steve Cruz and Chunchun Li and Touqeer Ahmad and Terrance E. Boult},
journal= {arXiv preprint arXiv:2011.12906},
year = {2022}
}