Presná definícia
Čo znamená prírastkové učenie?
Prírastkové učenie aktualizuje model po nových dávkach alebo príkladoch bez úplného tréningu od začiatku. Prírastok môže prinášať ďalšie dáta rovnakej úlohy, nové triedy alebo nové úlohy; tieto režimy majú odlišné informačné podmienky. Algoritmus musí určiť, čo si zo starého stavu ponechá a ako zabráni driftu alebo zabúdaniu.
Skúsenosť a kontext
Ako sa pojem používa v praxi
Pri mesačných dátach sa model aktualizuje len po úspešnej kontrole novej dávky. Každý prírastok má verziu, váhu a časový rozsah; pred aktualizáciou sa vytvorí základ z plného pretrénovania na povolenej histórii. Po kroku sa testuje aktuálne obdobie aj pevný regresný súbor. Ak online aktualizácia výrazne zaostáva alebo akumuluje chybu, systém periodicky vykoná kontrolovaný tréning od nuly.
Overiteľnosť
Odborné zdroje
Praktické odpovede
Často kladené otázky
Musí prichádzať po jednom príklade?
Nie, prírastok môže byť aj väčšia dávka.
Je to vždy kontinuálne učenie úloh?
Nie, môže ísť o tú istú úlohu s novými dátami.
Čo sa prenáša medzi krokmi?
Parametre, štatistiky, pamäť alebo iný dostatočný stav.
S čím sa porovnáva?
S plným pretrénovaním a s modelom bez aktualizácie.
Čo hrozí pri dlhom reťazci?
Akumulácia chýb a odklon od reprodukovateľného riešenia.