#600
summarized by : Shuhei M Yoshida
iTAML: An Incremental Task-Agnostic Meta-learning Approach

どんな論文か?

認識したいクラスが次々と追加されるが、古いクラスのデータは限られた量しか保持できない状況におけるclass-incremental学習(CIL)の手法を提案する。CILにおいては、モデルの柔軟性と安定性を両立させること、新旧クラスの間にあるデータ量のインバランスなどの問題に対処する必要がある。
placeholder

新規性

全タスクで共通の特徴抽出器とタスクごとの分類器とを持つDNNに対してメタ学習を適用してCILを実現する、iTAMLを提案。メタ学習の手法によって全てのタスクに対して有効な特徴抽出器を学習し、同時にタスクごとに最適な分類器を学習する。

結果

ImageNet, CIFAR100, MNIST, SVHN, MS-Celeb の各ベンチマークにおいて、従来のCIL手法を上回る精度を達成。

その他(なぜ通ったか?等)