Límites del aprendizaje Automático: Evaluación del rendimiento en condiciones restrictivas para la retención de información en métodos de Aprendizaje Continuo aplicado a Redes Neuronales Profundas

Abstract

RESUMEN: El aprendizaje continuo (CL) es una disciplina relativamente reciente que surge de la aplicación del aprendizaje automático mediante redes neuronales profundas, intentando solventar las limitaciones del aprendizaje para intentar adaptarse mejor a la forma de aprender que tienen los humanos. En este trabajo se pretende, (1) mostrar algunas de las principales limitaciones de las redes neuronales profundas actuales, (2) describir el comportamiento en el aprendizaje de clases novedosas en el área de clasificación en visión por computador (2) definir una lista de objetivos de una solución de aprendizaje continuo CL ideal, (3) clasificar los principales enfoques para solucionar algunas de las limitaciones presentadas, (4) realizar una breve descripción del estado del arte en aprendizaje continuo, (5) presentar algunas de las formas de evaluar la efectividad de las propuestas del SoTA, (6) y finalmente discutir la viabilidad de la aplicación de las soluciones actuales.

ABSTRACT: The discipline of Continual Learning (CL) has recently been introduced to fix the limitations that have surge from the use of deep learning models, trying to breach the diference from the way humans learn. In this work we intend to, (1) Show the constraints of trying to learn new classes applied to computer vision image classification, (2) define a list of desiderata for the ideal solution for the problems shown, (3) classify the main approaches to solve the CL problem, (4) briefly survey the state of the art, (5) explain some ways to evaluate a CL solution, (6) and finally discuss the state of CL current approaches.