[3Win5] ポスターセッション3

[3Win5-63] 分布外検知と継続学習の統合による段階的モデル成長に向けて

〇鷄内 朋也¹、小西 達也¹、Derda Kaymak²、Bing Liu²、松本 一則¹、 橋本 慧志¹、西村 仁志¹、黒川 茂莉¹ (1.株式会社KDDI総合研究所、2.University of Illinois Chicago)

キーワード：継続学習、分布外検知、自己改善

実世界では、時間の経過や環境の変化によりデータ分布がシフトすることが一般的である。機械学習モデルがこのような環境に適応するために、分布シフトを検知し、未知のデータを随時学習する能力が求められる。これまで、未知のデータを特定するタスクは分布外検知として、また新たなデータを段階的に学習するタスクは継続学習として、それぞれ独立して研究されてきた。本研究では、これら2つのタスクを統合し、モデルが未知のクラスを検知し、それらを追加で学習する手法を提案する。提案手法は、テスト時に分布外検知を未知クラスの検知だけでなく、モデルがどの段階で学習したデータかを識別するためにも用いることで継続学習の精度を向上させる。提案手法を画像分類タスクに適用した結果、従来の最先端手法を上回る性能を達成し、その有効性を実証した。また、複数の学習済みモデルをバックボーンとした実験を通して、分布外検知性能と継続学習の精度の間の関係を調査した。