Нове налаштування IIL: покращення розгорнутих моделей лише з новими даними

Таблиця посилань

Анотація та 1 Вступ

1. Пов'язані роботи

2. Постановка проблеми

3. Методологія

   4.1. Дистиляція з урахуванням меж прийняття рішень

   4.2. Консолідація знань

4. Експериментальні результати та 5.1. Налаштування експерименту

   5.2. Порівняння з методами SOTA

   5.3. Дослідження абляції

5. Висновок та майбутня робота та Посилання

   \

Додатковий матеріал

1. Деталі теоретичного аналізу механізму KCEMA в IIL
2. Огляд алгоритму
3. Деталі набору даних
4. Деталі реалізації
5. Візуалізація запилених вхідних зображень
6. Більше експериментальних результатів

3. Постановка проблеми

Ілюстрація запропонованого налаштування IIL показана на рис. 1. Як можна побачити, дані генеруються безперервно та непередбачувано в потоці даних. Загалом у реальному застосуванні люди схильні спочатку зібрати достатньо даних і навчити сильну модель M0 для розгортання. Незалежно від того, наскільки сильною є модель, вона неминуче зіткнеться з даними поза розподілом і зазнає невдачі. Ці невдалі випадки та інші нові спостереження з низькою оцінкою будуть анотовані для навчання моделі час від часу. Перенавчання моделі з усіма накопиченими даними щоразу призводить до все більших витрат часу та ресурсів. Тому новий IIL спрямований на вдосконалення існуючої моделі лише з новими даними кожного разу.

\

\

\

:::info Автори:

(1) Цян Не, Гонконгський університет науки і технології (Гуанчжоу);

(2) Вейфу Фу, Лабораторія Tencent Youtu;

(3) Юхуань Лінь, Лабораторія Tencent Youtu;

(4) Цзялінь Лі, Лабораторія Tencent Youtu;

(5) Іфен Чжоу, Лабораторія Tencent Youtu;

(6) Юн Лю, Лабораторія Tencent Youtu;

(7) Цян Не, Гонконгський університет науки і технології (Гуанчжоу);

(8) Ченцзе Ван, Лабораторія Tencent Youtu.

:::

:::info Ця стаття доступна на arxiv за ліцензією CC BY-NC-ND 4.0 Deed (Attribution-Noncommercial-Noderivs 4.0 International).

:::

\