ترجمه فارسی مقاله PIP: Prompt تزریق‌شده توسط نمونه‌های اولیه برای یادگیری افزایشی کلاس فدرال

چکیده

Federated Class Incremental Learning (FCIL) is a new direction in continual learning (CL) for addressing catastrophic forgetting and non-IID data distribution simultaneously. Existing FCIL methods call for high communication costs and exemplars from previous classes. We propose a novel rehearsal-free method for FCIL named prototypes-injected prompt (PIP) that involves 3 main ideas: a) prototype injection on prompt learning, b) prototype augmentation, and c) weighted Gaussian aggregation on the server side. Our experiment result shows that the proposed method outperforms the current state of the arts (SOTAs) with a significant improvement (up to 33%) in CIFAR100, MiniImageNet and TinyImageNet datasets. Our extensive analysis demonstrates the robustness of PIP in different task sizes, and the advantage of requiring smaller participating local clients, and smaller global rounds. For further study, source codes of PIP, baseline, and experimental logs are shared publicly in https://github.com/anwarmaxsum/PIP.

چکیده به فارسی (ترجمه ماشینی)

یادگیری افزایشی کلاس فدرال (FCIL) یک جهت جدید در یادگیری مداوم (CL) برای پرداختن به فراموشی فاجعه بار و توزیع داده های غیر IID به طور همزمان است.روشهای FIC موجود خواستار هزینه های ارتباطی بالا و نمونه های کلاسهای قبلی است.ما یک روش جدید بدون تمرین برای FIC به نام نمونه های اولیه تزریق شده (PIP) ارائه می دهیم که شامل 3 ایده اصلی است: الف) تزریق نمونه اولیه در یادگیری سریع ، ب) نمونه اولیه و ج) تجمع گاوسی وزنی در سمت سرور.نتیجه آزمایش ما نشان می دهد که روش پیشنهادی از وضعیت فعلی هنر (SOTA) با پیشرفت قابل توجهی (حداکثر 33 ٪) در مجموعه داده های CIFAR100 ، MINIIMAGENET و TINYIMAGENET فراتر می رود.تجزیه و تحلیل گسترده ما نشان دهنده استحکام PIP در اندازه های مختلف کار ، و مزیت نیاز به نیازمندان به مشتری های محلی کوچکتر و دورهای کوچکتر جهانی است.برای مطالعه بیشتر ، کدهای منبع PIP ، پایه و گزارش های تجربی به صورت عمومی در https://github.com/anwarmaxsum/pip به اشتراک گذاشته می شوند.