온라인 클래스-증분 학습(Online class-incremental learning, OCIL)은 단일 패스(single-pass)로 데이터 스트림으로부터 점진적으로 새로운 클래스(소위 plasticity)를 학습하는 동시에, 이전에 학습한 클래스의 지식(소위 stability)을 보존하는 데 초점을 둔다. OCIL에서의 주요 과제는 지속적으로 갱신되는 모델 안에서 기존 클래스와 새로운 클래스 간 지식의 균형을 양호하게 유지하는 데 있다. 대부분의 기존 방법은 경험 리플레이(experience replay)를 통한 명시적 지식 상호작용에 의존하며, 편향(bias) 문제를 해결하기 위해 배타적 학습 분리(exclusive training separation)를 자주 사용한다. 그럼에도 불구하고, 이러한 방법들은 OCIL 환경에서 지식을 연속적으로 통합하는 데 어려움이 있어, 대개 plasticity가 감소하거나 stability가 제한되는 양상을 보이기 때문에, 잘 균형 잡힌 학습자(learner)를 달성하는 일은 여전히 큰 도전으로 남아 있다. 본 논문에서는 높은 plasticity와 stability를 모두 달성하여 OCIL에서 보다 균형 잡힌 성능을 보장할 수 있는 새로운 리플레이 기반 방법인 Balanced Inclusive Separation for Online iNcremental learning(BISON)을 제안한다. BISON은 이중 분류기를 사용하는 포괄적 학습 분리(inclusive training separation) 전략을 제안하여 기존 및 신규 클래스의 지식을 모델에 효과적으로 통합하는 한편, 두 분류기 간 지식 전달을 위한 암묵적(implicit) 접근을 도입한다. 널리 사용되는 세 가지 OCIL 벤치마크 데이터셋에 대한 광범위한 실험적 평가 결과, BISON은 최신 리플레이 기반 OCIL 방법들과 비교하여 보다 균형 잡힌 성능을 보이면서도 더 나은 성능을 나타내며 우수함이 입증되었다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.