মৌলিক নির্দেশিকা
ক্রমাগত শিক্ষা এবং বিপর্যয়কর ভুলে যাওয়া
Continual learning updates a model over a sequence of tasks or data streams while trying to retain useful prior capabilities.
এই নির্দেশিকা শুনুনএআই-বর্ণিত · ~1 min
এই পৃষ্ঠায়1 মিনিট পড়া
ওভারভিউ
Catastrophic forgetting is a common failure where learning new tasks degrades earlier performance.
গভীর ডুব
EWC uses a Fisher-information-based regularizer to discourage changes to parameters considered important for prior tasks. GEM uses episodic examples to constrain gradient updates; its guarantee concerns a local linear approximation to previous-task losses, so actual finite updates can still change performance. iCaRL stores exemplars, selects representatives with a herding procedure and classifies using per-class mean features. Replay methods revisit retained examples; these methods have different memory, privacy and compute tradeoffs. The stability-plasticity tradeoff describes balancing retention with learning new tasks.
বাস্তব-বিশ্ব বাস্তবায়ন
Evaluate old and new tasks after each update.
Use replay samples when permitted by data policy.
Compare regularization methods such as EWC against fine-tuning.
Record task order and memory budget.
ক্রমাগত শিক্ষা এবং বিপর্যয়কর ভুলে যাওয়ার ভবিষ্যত
Continual-learning results depend on task sequence, model, data access, and evaluation protocol. Report both new-task learning and old-task retention.
এটাকে বাস্তবে প্রয়োগ করা হচ্ছে
কেন এটা গুরুত্বপূর্ণ
- সুস্পষ্ট সিদ্ধান্ত. এটি আপনাকে বিপণনের ভাষা থেকে স্পষ্ট প্রযুক্তিগত দাবিগুলি আলাদা করতে সহায়তা করে।
- খরচ ও বাজেট. অর্থ বা সময় ব্যয় করার আগে আপনি আরও ভাল বাস্তবায়ন প্রশ্ন জিজ্ঞাসা করতে পারেন।
- টিম এবং ওয়ার্কফ্লো. ভাগ করা বোঝাপড়া সহ দলগুলি আরও ভাল পণ্য, নীতি এবং শেখার সিদ্ধান্ত নেয়।
জন্য সতর্ক
- বিভিন্ন দল একই শব্দটি ভিন্নভাবে ব্যবহার করতে পারে, তাই সুযোগটি আগে থেকেই নির্ধারণ করুন।
- বেঞ্চমার্কগুলি শক্তিশালী দেখাতে পারে যখন বাস্তব-বিশ্বের কর্মক্ষমতা অসম হয়।
- ডেটা গুণমান এবং মূল্যায়ন পরিকল্পনা উপেক্ষা করা প্রায়ই ভঙ্গুর ফলাফল তৈরি করে।
পরবর্তী পদক্ষেপ
- আপনার প্রয়োজনীয় ফলাফলের একটি সরল-ভাষা সংজ্ঞা দিয়ে শুরু করুন।
- পরীক্ষার আগে একটি সাফল্যের মেট্রিক এবং একটি ব্যর্থতার শর্ত বাছুন।
- একটি পালিশ ডেমো সেট নয়, প্রতিনিধি ডেটা সহ একটি ছোট পাইলট চালান৷
- নথি যেখানে ক্রমাগত শিক্ষা এবং বিপর্যয়মূলক ভুলে যাওয়া সাহায্য করে এবং যেখানে সহজ পদ্ধতিগুলি ভাল।
অন্বেষণ চালিয়ে যান
ফ্রি নিউজলেটার
প্রতিদিনের এআই ব্রিফিং পান
প্রতি সপ্তাহের কাজের দিন সকালে তিনটি যাচাইকৃত এআই স্টোরি, সহজ ইংরেজিতে লেখা। চিরকালের জন্য ফ্রি, কোনো বিজ্ঞাপন নেই।
প্রতি সপ্তাহের কাজের দিনে একটি ইমেল। এক ক্লিকেই আনসাবস্ক্রাইব করুন। আমরা কখনোই আপনার ঠিকানা বিক্রি বা শেয়ার করি না।
নিজেকে পরীক্ষা করুন
Take the Continual Learning and Catastrophic Forgetting quiz
প্রতিটি উত্তরের তাৎক্ষণিক ফিডব্যাক, এবং কোর্স পাস করার পর যাচাইযোগ্য আইডি সহ একটি শেয়ারযোগ্য সার্টিফিকেট।
ফ্রি এআই শিক্ষাকে সমর্থন করুন। AI Understanding একটি 501(c)(3) অলাভজনক প্রতিষ্ঠান — কোনো বিজ্ঞাপন নেই, কোনো পেওয়াল নেই, কখনোই না। একটি দান করুন
প্রায়শই জিজ্ঞাসিত প্রশ্নাবলী
ক্রমাগত শিক্ষা এবং সর্বনাশা ভুলে যাওয়া কি?
Continual learning updates a model over a sequence of tasks or data streams while trying to retain useful prior capabilities. Catastrophic forgetting is a common failure where learning new tasks degrades earlier performance.
'বিপর্যয় ভুলে যাওয়া' কী?
নতুন কিছু শেখার সময় নেটওয়ার্কের ভাগ করা ওজনগুলি ওভাররাইট হয়ে গেলে পুরানো-কার্যক্ষমতার তীব্র ক্ষতি হয় বিপর্যয়কর ভুলে যাওয়া৷
ইলাস্টিক ওয়েট কনসোলিডেশন (EWC) কি করে?
EWC একটি জরিমানা যোগ করে (ফিশার তথ্য ব্যবহার করে) যা পুরানো কাজের জন্য গুরুত্বপূর্ণ বলে মনে করা ওজনগুলিকে অ্যাঙ্কর করে, ভুলে যাওয়া হ্রাস করে।
কীভাবে রিপ্লে-ভিত্তিক পদ্ধতিগুলি ভুলে যাওয়ার বিরুদ্ধে লড়াই করে?
রিপ্লে অতীতের উদাহরণগুলিকে নতুন ব্যাচগুলিতে মিশ্রিত করে যাতে গ্রেডিয়েন্টগুলি পুরানো এবং নতুন উভয় কাজকে প্রতিফলিত করে, মূল যৌথ ডেটা আনুমানিক।
How does Gradient Episodic Memory (GEM) constrain a gradient update while learning a new task?
GEM projects updates using episodic-memory losses so the local first-order approximation does not increase loss on previous-task examples. This constraint is based on a local linearization and does not guarantee actual loss will never rise after every finite step.
কেন একটি নতুন টাস্কে সাদাসিধা ফাইন-টিউনিং ভুলে যাওয়ার কারণ?
অনিয়ন্ত্রিত গ্রেডিয়েন্ট আপডেটগুলি নতুন সর্বোত্তম দিকে ভাগ করা ওজনগুলিকে পুনরায় লেখা, পূর্ববর্তী কাজের জন্য ভাল ছিল এমন অঞ্চলগুলিকে পরিত্যাগ করে৷
শিখতে থাকুন
সম্পর্কিত গাইড
এই বিষয়ের জন্য বাছাই করা আরও গাইড