지속적인 학습과 치명적인 망각
지속적인 학습은 AI가 이미 알고 있는 것을 삭제하지 않고 시간이 지남에 따라 새로운 작업의 흐름에 대해 AI를 훈련시키는 목표입니다.
개요
Its central obstacle is catastrophic forgetting: when a neural network learns a new task, gradient updates overwrite the weights that encoded earlier tasks, and old skills collapse.
심층 분석
표준 신경망은 모든 데이터를 한 번에 사용할 수 있다고 가정합니다. 현실 세계에서는 데이터가 순차적으로 도착하며, 새로운 작업에 대한 순진한 미세 조정으로 인해 치명적인 망각이 발생합니다. 공유 가중치가 다시 작성되기 때문에 이전 작업의 성능이 급락합니다. 지속적인 학습은 고전적인 안정성-가소성 딜레마인 가소성(새로운 지식 흡수)과 안정성(오래된 지식 유지)의 균형을 맞추려고 합니다. 세 가지 주요 솔루션 계열이 존재합니다. 기존 작업에 중요하다고 간주되는 가중치 변경에 불이익을 주는 Elastic Weight Consolidation과 같은 정규화 방법; 과거 작업의 샘플을 저장하거나 생성하고 훈련 중에 인터리브하는 재생 방법; 작업별로 새로운 매개변수나 모듈을 할당하는 아키텍처 방법이 있습니다. 단일 방법으로 이 문제를 완전히 해결할 수는 없으며 평가는 작업, 도메인 및 클래스 증분 설정에 걸쳐 이루어집니다.
기술적 통찰력
재앙적인 망각은 새로운 작업에 대한 경사하강법이 이전 작업에 적합한 영역 근처에 머무르는 제약 없이 공유 가중치를 새로운 최적점으로 이동시키기 때문에 발생합니다. Elastic Weight Consolidation은 Fisher 정보 매트릭스를 통해 각 가중치의 중요성을 추정하고 이전 값 근처에 중요한 가중치를 고정하는 2차 페널티를 추가합니다. 재생은 저장되거나 생성된 이전 예제를 새 배치로 혼합하여 원래 조인트 분포에 근접하므로 그라디언트가 이전 작업과 새 작업을 모두 반영하여 파괴적인 덮어쓰기를 줄입니다.
전략적 영향
더 명확한 결정들
이는 명확한 기술적 주장과 마케팅 언어를 구분하는 데 도움이 됩니다.
비용 및 예산
돈이나 시간을 들이기 전에 더 나은 구현 질문을 할 수 있습니다.
팀과 워크플로우
이해를 공유한 팀은 더 나은 제품, 정책 및 학습 결정을 내립니다.
지속적인 학습과 치명적인 망각의 미래
비용이 많이 드는 전체 재교육 없이 대규모 모델을 최신 상태로 유지하려면 지속적인 학습이 점점 더 중요해지고 있습니다. 연구에서는 매개변수 효율적인 지속적인 업데이트(어댑터, 작업당 추가된 LoRA 모듈), 생성 모델을 사용한 더 나은 재생, 잊어버리거나 원치 않는 드리프트를 방지하면서 기초 모델의 지식을 업데이트하는 방법을 추진하고 있습니다. 원시 데이터 저장을 피하는 개인 정보 보호 재생과 장치 내 학습을 수행하는 평생 에이전트와 깔끔한 작업 경계보다는 현실적이고 고정되지 않은 데이터 스트림을 더 잘 반영하는 벤치마크에 대한 더 긴밀한 연결을 기대합니다.
실제 구현
이전 제품 카테고리를 잊지 않고 매달 새로운 제품 카테고리를 학습해야 하는 배포된 이미지 분류기입니다.
일반적인 정확성을 잃지 않고 시간이 지남에 따라 사용자에게 적응하는 온디바이스 개인화(키보드 또는 음성 지원)입니다.
이전에 습득한 기술을 유지하면서 새로운 조작 기술을 순차적으로 습득하는 로봇입니다.
이전 기능이 보존되도록 어댑터를 사용하여 새로운 사실이나 도메인으로 언어 모델을 업데이트합니다.
위험 및 가드레일
팀마다 동일한 용어를 다르게 사용할 수 있으므로 범위를 조기에 정의하세요.
벤치마크는 강력해 보이지만 실제 성능은 고르지 않을 수 있습니다.
데이터 품질 및 평가 계획을 무시하면 취약한 결과가 발생하는 경우가 많습니다.
구현 로드맵
필요한 결과에 대한 일반 언어 정의부터 시작하세요.
테스트하기 전에 하나의 성공 지표와 하나의 실패 조건을 선택하세요.
세련된 데모 세트가 아닌 대표 데이터를 사용하여 소규모 파일럿을 실행하세요.
지속적인 학습과 치명적인 망각이 도움이 되는 부분과 더 간단한 방법이 더 나은 부분을 문서화하세요.
계속 탐색하세요
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Continual Learning and Catastrophic Forgetting quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
다음 가이드
치명적인 망각
자주 묻는 질문
What is Continual Learning and Catastrophic Forgetting?
지속적인 학습은 AI가 이미 알고 있는 것을 삭제하지 않고 시간이 지남에 따라 새로운 작업의 흐름에 대해 AI를 훈련시키는 목표입니다. 그 중심 장애물은 치명적인 망각입니다. 신경망이 새로운 작업을 학습하면 그라데이션 업데이트가 이전 작업을 인코딩한 가중치를 덮어쓰고 이전 기술이 붕괴됩니다.
'파국적 망각'이란 무엇입니까?
치명적인 망각은 새로운 것을 학습하는 동안 네트워크의 공유 가중치를 덮어쓸 때 이전 작업 성능이 급격히 손실되는 것입니다.
탄력적 무게 통합(EWC)은 무엇을 합니까?
EWC는 이전 작업에 중요하다고 간주되는 가중치를 고정하여 망각을 줄이는 페널티(Fisher 정보 사용)를 추가합니다.
재생 기반 방법은 망각에 어떻게 대처합니까?
Replay는 과거 예제를 새 배치로 혼합하므로 그라디언트가 이전 작업과 새 작업을 모두 반영하여 원본 조인트 데이터에 근접합니다.
지속적인 학습 방법의 세 가지 주요 계열 중 하나가 아닌 것은 무엇입니까?
세 가지 주요 계열은 정규화, 재생 및 아키텍처 방법입니다. 압축은 그중 하나가 아닙니다.
새로운 작업에 대한 순진한 미세 조정이 망각을 유발하는 이유는 무엇입니까?
제한되지 않은 그래디언트 업데이트는 이전 작업에 적합했던 영역을 버리고 새로운 최적을 향해 공유 가중치를 다시 작성합니다.