ワンショットクラス増分学習のための特徴空間生成モデル

TL;DR（結論）

本研究は、わずか1枚の画像から新しい概念を学習する「ワンショットクラス増分学習（1SCIL）」において、データの極端な不足とクラス分布の複雑さに対応するため、特徴空間上での生成モデルを活用する新手法「Gen1S」を提案した。 この手法は、学習済みのベースクラスと未知の新規クラスが特徴空間において「構造的な類似性」を持つという仮説に基づき、各サンプルの特徴量からクラス平均を引いた「残差」の多峰性分布をVAEや拡散モデルで学習することで、未知のクラスに対しても高精度な識別を実現する。 複数のベンチマークを用いた検証の結果、Gen1Sは既存のベースクラスの認識精度を維持しつつ、新規クラスの認識性能を大幅に向上させることに成功しており、追加の学習やモデルの改変を一切行わずに、リソースの限られたデバイス上での効率的な適応を可能にする。

なぜこの問題か

深層学習モデルは、固定されたデータセットに対しては極めて高い性能を発揮するが、現実世界のような絶えず変化するデータストリームに直面すると、過去に学んだ知識を急速に失ってしまう「致命的な忘却」という深刻な問題に直面する。例えば、工場や家庭に導入されたロボットが新しい環境で未知の物体に遭遇した際、モデルは既存の知識を保持したまま、即座に新しい物体を認識できるよう適応しなければならない。このような課題を解決するために「クラス増分学習（CIL）」が研究されているが、現実のシナリオでは新しいクラスのデータが極めて少ないことが多く、これが「少数のサンプルによるクラス増分学習（FSCIL）」の必要性を生んでいる。 しかし、既存のFSCIL手法の多くは、新規クラスごとに少なくとも5枚から10枚程度のサンプルがあることを前提としており、モデルのパラメータ更新やクラス分布の近似を行っている。本研究が焦点を当てるのは、さらに過酷な「ワンショットクラス増分学習（1SCIL）」という設定であり、新規クラスごとに提供されるサンプルはわずか1枚のみである。…

核心：何を提案したのか

本研究では、ワンショットクラス増分学習の課題を解決するために、特徴空間における生成モデルを活用した「Gen1S」という手法を提案している。この手法の根幹にあるのは、十分に学習された特徴抽出器（バックボーン）において、ベースクラスと新規クラスの埋め込み表現は構造的な類似性を持っているという仮説である。具体的には、各クラスの埋め込み分布は、その平均値（プロトタイプ）こそ異なるものの、平均からのズレである「残差」の分布については、クラス間で共通の構造を共有していると想定している。 Gen1Sは、この共通の構造を「事前知識」として利用することで、サンプルが1つしかない新規クラスの分布を予測する。…

続きはログイン/プランで閲覧できます。