从类别到分类器：借助网络探索的仅名称持续学习
机器学习
2024-09-05 v2
摘要
持续学习（CL）通常依赖于大量标注数据集的可用性，这一假设在实践中耗时耗力且不切实际。我们探索了一种称为仅名称持续学习的新范式，其中时间与成本限制禁止人工标注。在此场景下，学习器仅使用类别名称而不具备标注训练数据，来适应新的类别偏移。我们提出的解决方案利用广袤且不断演进的互联网查询并下载未经筛选的网络监督数据用于图像分类。我们考察了网络数据的可靠性，发现其与人工标注数据集相当，且在某些情况下更优。此外，我们表明通过利用网络，我们可以创建超越最先进仅名称分类方法的支持集，后者使用生成模型或从 LAION-5B 进行图像检索来创建支持集，实现了高达 25% 的准确率提升。当应用于多样的持续学习情境时，我们的方法与在人工标注数据集上训练的模型相比始终表现出较小的性能差距。我们提出了 EvoTrends，一个由网络构建以捕捉真实世界趋势的类增量数据集，仅在数分钟内创建。总体而言，本文强调了使用未经筛选的网络监督数据来缓解持续学习中人工数据标注相关挑战的潜力。
引用
@article{arxiv.2311.11293,
title = {From Categories to Classifiers: Name-Only Continual Learning by Exploring the Web},
author = {Ameya Prabhu and Hasan Abed Al Kader Hammoud and Ser-Nam Lim and Bernard Ghanem and Philip H. S. Torr and Adel Bibi},
journal= {arXiv preprint arXiv:2311.11293},
year = {2024}
}