Incremental learning とは

コンピュータ科学では、増分学習は機械学習の方法であり、入力データを既存のモデルの知識を拡張するために、すなわちモデルをさらに訓練するために継続的に使用する。トレーニングデータが時間の経過とともに徐々に利用可能になったり、そのサイズがシステムのメモリ制限を超えている場合に適用できる教師付き学習と教師なし学習の動的テクニックを表します。増分学習を容易にするアルゴリズムは、増分機械学習アルゴリズムとして知られている。
多くの伝統的な機械学習アルゴリズムは、本質的に増分学習をサポートしており、これを容易にするために他のアルゴリズムを適応させることができる。増分アルゴリズムの例には、決定木(IDE4、ID5R)、決定規則、人工ニューラルネットワーク(RBFネットワーク、学習++、ファジーARTMAP、TopoART、およびIGNG)または増分SVMが含まれます。
増分学習の目的は、学習モデルが既存の知識を忘れることなく新しいデータに適応することであり、モデルを再学習することはありません。一部の増分学習者には、古いデータの関連性を制御するパラメータや仮定が組み込まれていますが、安定した増分機械学習アルゴリズムと呼ばれるものは、時間の経過と共に部分的に忘れられない学習データの表現を学習します。ファジーのARTとTopoARTは、この第2のアプローチの2つの例です。
インクリメンタルアルゴリズムは、データストリームや大きなデータに頻繁に適用され、データの可用性やリソースの不足という問題に対処します。株式トレンド予測とユーザープロファイリングは、新しいデータが継続的に利用できるようになるデータストリームの例です。ビッグデータにインクリメンタルラーニングを適用すると、より迅速な分類や予測時間が得られます。