La fonctionnalité de recherche est en construction.
La fonctionnalité de recherche est en construction.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Data Augmented Incremental Learning (DAIL) for Unsupervised Data Apprentissage incrémental augmenté par les données (DAIL) pour les données non supervisées

Sathya MADHUSUDHANAN, Suresh JAGANATHAN

  • Vues en texte intégral

    0

  • Citer

Résumé:

L'apprentissage incrémental, une méthodologie d'apprentissage automatique, entraîne les données d'entrée arrivant en permanence et étend les connaissances du modèle. Lorsqu’il s’agit de flux de données non étiquetés, la tâche d’apprentissage incrémentiel devient plus difficile. Notre nouvelle méthodologie d'apprentissage incrémental proposée, Data Augmented Incremental Learning (DAÏL), apprend les flux en temps réel toujours croissants avec des ressources mémoire et un temps réduits. Initialement, les lots de flux de données non étiquetés sont regroupés à l'aide de l'algorithme de clustering proposé, Clustering based on Autoencoder and Gaussian Model (CLAG). Plus tard, DAÏL crée un modèle incrémentiel mis à jour pour les clusters étiquetés à l'aide de l'augmentation des données. DAÏL évite le recyclage des anciens échantillons et conserve uniquement le modèle incrémentiel le plus récemment mis à jour contenant toutes les anciennes informations de classe. L’utilisation de l’augmentation des données dans DAÏL combine les clusters similaires générés avec différents lots de données. Une série d'expériences a vérifié les performances significatives de CLAG et DAÏL, produisant un modèle incrémental évolutif et efficace.

Publication
IEICE TRANSACTIONS on Information Vol.E105-D No.6 pp.1185-1195
Date de publication
2022/06/01
Publicisé
2022/03/14
ISSN en ligne
1745-1361
DOI
10.1587/transinf.2021EDP7213
Type de manuscrit
PAPER
Catégories
Intelligence artificielle, exploration de données

Auteurs

Sathya MADHUSUDHANAN
  Sri Sivasubramaniya Nadar College of Engineering
Suresh JAGANATHAN
  Sri Sivasubramaniya Nadar College of Engineering

Mots-clés

Table des matières