Aprendizagem Contínua para Classificação de Imagens

Abstract

A habilidade de realizar Aprendizado Contínuo (Continual Learning) é crucial para o desenvolvimento de modelos de Inteligência Artificial capazes de adquirir e manter conheci mento ao longo do tempo sem esquecer informações anteriores. Isso representa um grande desafio técnico, dado que redes neurais são suscetíveis ao fenômeno de esquecimento catas trófico durante o processo de aprendizado de novas tarefas. Métodos basados na abordagem de pseudo-replay utilizam redes gerativas para criar amostras sintéticas de tarefas anteriores, que são então apresentadas ao modelo durante o aprendizado de novas tarefas com o intuito de reduzir o esquecimento. Nesta dissertação, exploramos melhorias no então método estado da arte baseado na abordagem de pseudo-replay, Invariant Representation for Continual Le arning (IRCL). Utilizamos como modelo gerativo uma cVAE-GAN (Conditional Variational Autoencoder Generative Adversarial Network) e desacoplamos o seu treinamnto do restante da arquitetura, de forma a otimizar as diferentes partes da rede de forma independente. Além disso, utilizamos camadas convolucionais ao invés de camadas lineares. Os resultados experi mentais alcançados demonstram melhorias de até 10 pontos percentuais na Acurácia Média e de até 8 pontos na média do Backward Transfer, superando o estado da arte nos conjuntos de dados Split MNIST e Split FashionMNIST.