Stapsgewijs nieuwe categorieën leren met generatieve classificatie

Het vermogen om continu te leren van niet-stationaire waarnemingen is een belangrijk kenmerk van natuurlijke intelligentie, maar een onopgelost probleem voor kunstmatige neurale netwerken. Bijzonder uitdagend voor zulke neurale netwerken is "class-incremental learning", of het stapsgewijs leren van nieuwe categorieën, waarbij een netwerk moet leren om onderscheid te maken tussen categorieën die niet samen worden waargenomen.

Classificatie met neurale netwerken wordt gewoonlijk gedaan met discriminerende methoden. Dit werkt goed als alle categorieën samen en o.g.v. geobserveerd worden. Echter, als nieuwe categorieën stapsgewijs moeten worden geleerd, dan vereist het trainen van discriminerende classificatie methoden problematische noodgrepen zoals het opslaan of herhalen van eerdere waarnemingen. Hier stel ik voor om geen discriminerende, maar generatieve methoden te geburiken voor classificatie met neurale netwerken.

Als voorbereidend werk heb ik laten zien dat een simpele generatieve classificatie methode, met een volledig apart generatief model voor iedere categorie, al verrassend goed werkt. Om de efficiëntie, schaalbaarheid en prestaties van deze generatieve classificatie methode te verbeteren, stel ik in dit onderzoeksvoorstel vier verdere aanpassingen voor. Hiermee hoop ik generatieve classificatie met neurale networken te ontwikkelen tot een sterke, praktische, efficiënte en schaalbare methode voor het stapsgewijs leren van nieuwe categorieën.