 |
Time = Temps Paradigmes
de l’Apprentissage Continu (A) Différentes méthodes (…) représentent le standard de l’apprentissage
séquentiel multitâche. Dans ce registre, les tâches sont apprises simultanément
pour empêcher l’oubli et l’instabilité des apprentissages. (B) Des approches basées
sur l’utilisation de gradients permettent de paramétrer les tâches préalablement
apprises selon leur importance. (C) Des méthodes basées sur la modularité
définissent des frontières clairement délimitées qui permettent de définir des
paramètres tâches-spécifiques (souvent accompagnées de paramètres partagés pour
permettre le transfert). (D) Les méthodes de mémorisation utilisent l’ « écriture
de l’expérience » pour empêcher l’oubli. (E) Les techniques de
méta-apprentissage optimisent les objectifs de l’apprentissage continu sur un vaste
ensemble de tâches séquentielles ; permettant ce faisant d’apprendre à
apprendre en continu. |
La recherche dans le domaine de l’intelligence artificielle a fait d’immenses progrès en quelques décennies ; toutefois, elle repose essentiellement sur les bases de données fixes et des environnements statiques. L’apprentissage continu est un domaine de recherche dont la pertinence va croissant ; son objet étant de questionner comment les systèmes artificiels bio-inspirés peuvent être pourvus d’une capacité d’apprentissage à partir d’un flux de données corrélées, au même titre que les systèmes biologiques. Dans cette présente revue de littérature, nous relions l’apprentissage en continu à la dynamique d’apprentissage propre aux réseaux neuronaux, soulignant sa capacité à considérablement améliorer l’efficacité des données. Puis, nous fouillons plus en profondeur d’autres approches bio-inspirées qui ont émergé dans les années récentes, nous focalisant sur celles qui font usage de la régularisation, de la modularité, de la mémoire, du méta-apprentissage, et soulignons certaines des directions prises parmi les plus prometteuses. Raia Hadsell, et al, dans Trends in Cognitive Sciences, publication en ligne en avant-première, 3 novembre 2020
Source iconographique, légendaire et rédactionnelle : Science Direct / Traduction et adaptation : NZ
Aucun commentaire:
Enregistrer un commentaire