[2026年6月12日提出]

PDFを表示

要約:深層学習は人工知能、特にロボット工学、画像処理、音声処理の分野で目覚ましい進歩をもたらしました。しかし、ニューラルネットワークの主な制約は、大規模で静的なデータセットへの強い依存性です。多くの実世界のアプリケーションでは、データ分布が時間とともに変化する進化し動的な環境のため、これらの条件が満たされることは稀です。継続学習は、計算制約の下で安定性と可塑性のバランスを保ちながら、段階的に適応できるモデルを開発することで、この課題に対処することを目指します。本研究では、注意機構によって導かれる経験再生戦略を組み込むことで、文献で一般的に使用される既存の静的予測モデルを拡張するように設計された、継続的な時系列予測のための新しいフレームワークを紹介します。このアプローチにより、モデルは過去の知識を保持しながら新しいコンテキストに動的に適応でき、破滅的忘却を効果的に軽減します。このフレームワークは、標準的な予測ベンチマークと多様な時間的挙動を示す水位計測データセットで評価されます。結果は、アプローチが時間の経過とともに予測性能を効果的に向上または維持し、再学習コストとデータ要件を削減することを示しており、動的で実世界の設定での予測モデルの展開を容易にします。

投稿履歴

投稿者: Quentin Besnard [メールを表示] [CCSDプロキシ経由]
[v1] 2026年6月12日(金) 11:44:05 UTC (925 KB)