동적 환경에서의 통합적 적응형 지능을 위한 스트리밍 지속적 학습

Streaming Continual Learning for Unified Adaptive Intelligence in Dynamic Environments

데이터가 지속적으로 생성되고 끊임없이 변화하는 동적 환경에서는 효과적인 예측 모델을 개발하는 것이 어렵습니다. 지속적 학습(Continual Learning, CL)과 스트리밍 머신 러닝(Streaming Machine Learning, SML)은 이러한 어려운 과제를 해결하는 두 가지 연구 분야입니다. 본 연구에서는 CL과 SML의 장점을 결합한 통합적인 환경을 제시합니다. 이 환경은 이전 지식을 잊지 않고 비정상적인 데이터 스트림에 빠르게 적응할 수 있는 능력을 제공합니다. 우리는 이러한 환경을 스트리밍 지속적 학습(Streaming Continual Learning, SCL)이라고 부릅니다. SCL은 CL 또는 SML을 대체하는 것이 아니라, 두 분야에서 고려되는 기술과 접근 방식을 확장하는 것입니다. 먼저, CL과 SML을 간략하게 설명하고 두 프레임워크의 언어를 통합합니다. 그런 다음, SCL의 주요 특징을 제시하고, 두 연구 커뮤니티 간의 협력을 통해 지능형 시스템 분야를 발전시키는 것의 중요성을 강조합니다.

Developing effective predictive models becomes challenging in dynamic environments that continuously produce data and constantly change. Continual Learning (CL) and Streaming Machine Learning (SML) are two research areas that tackle this arduous task. We put forward a unified setting that harnesses the benefits of both CL and SML: their ability to quickly adapt to non-stationary data streams without forgetting previous knowledge. We refer to this setting as Streaming Continual Learning (SCL). SCL does not replace either CL or SML. Instead, it extends the techniques and approaches considered by both fields. We start by briefly describing CL and SML and unifying the languages of the two frameworks. We then present the key features of SCL. We finally highlight the importance of bridging the two communities to advance the field of intelligent systems.