机器人的少样本持续主动学习
机器学习
2022-10-14 v2 计算机视觉与模式识别
机器人学
摘要
在本文中，我们考虑一个具挑战性但现实的持续学习（CL）问题：少样本持续主动学习（FoCAL），其中 CL 智能体在每次增量中被提供新任务或先前已学任务的无标签数据，且智能体仅有有限的标注预算可用。为此，我们基于持续学习与主动学习的相关研究，开发了一个框架，使 CL 智能体能够从少量标注训练样本中持续学习新的对象类别。我们的框架使用均匀高斯混合模型（GMM）表示每个对象类别，并利用伪重演来缓解灾难性遗忘。该框架还利用已学类别的高斯表示上的不确定性度量，以寻找增量中最具信息量的样本进行标注。我们在 CORe-50 数据集和真实人形机器人上针对对象分类任务评估了我们的方法。结果表明，我们的方法不仅在该数据集上取得了最先进的成果，还使真实机器人能够在真实环境中持续学习未见过的对象，且仅需用户提供有限的标注监督。
引用
@article{arxiv.2210.04137,
title = {Few-Shot Continual Active Learning by a Robot},
author = {Ali Ayub and Carter Fendley},
journal= {arXiv preprint arXiv:2210.04137},
year = {2022}
}
备注
Accepted at NeurIPS 2022