基于“全局-局部”成对融合的可解释终身流学习
机器学习
2023-06-26 v1
摘要
实时端侧持续学习应用用于手机、消费机器人和智能家电。此类设备处理与存储能力有限，而持续学习在长时间内获取数据。终身学习算法必须能在这些约束下运行并保持良好性能。本研究提出可解释终身学习（ExLL）模型，其具备若干重要特性：1）以单次pass从样本与资源均稀缺的流数据中学习如何学习；2）自组织基于原型的架构，按需扩展并按相似性将流数据聚类为可分离组，防止灾难性遗忘；3）可解释架构，将簇转换为可解释的IF-THEN规则，并根据与推断相似与不相似之处解释模型预测；4）通过成对决策融合过程在全局与局部层面推断以提升推断精度，即“Glocal Pairwise Fusion”。我们使用OpenLoris、F-SIOL-310和Places数据集，针对视频流、少样本学习、可扩展性与不平衡数据流等若干持续学习场景，将ExLL与当代在线学习算法在图像识别上比较。算法在准确率、参数量和实验运行时间需求上被评估。ExLL在多数测试场景中准确率优于所有算法。
引用
@article{arxiv.2306.13410,
title = {Explainable Lifelong Stream Learning Based on "Glocal" Pairwise Fusion},
author = {Chu Kiong Loo and Wei Shiung Liew and Stefan Wermter},
journal= {arXiv preprint arXiv:2306.13410},
year = {2023}
}
备注
24 pages, 8 figures