Benchmarks of Continual Learning

Benchmarks of Continual Learning

Contents

1. “Split” Continual Learning Benchmarks
2. Split miniImageNet-TA
3. Split miniImageNet-TF
4. CORE50-TA
5. CORE50-TF
6. Comparison

“Split” Continual Learning Benchmarks

• Split: 원래의 dataset (e.g. miniImageNet, CORE50)을 class 단위로 분할하여 여러 개의 task를 구성
  • 각 task는 5개의 class로 구성됨
  • class는 random하게, 중복 없이 샘플링됨
• 실험 후 총 평균 정확도(ACC), 망각도(FM), 최초 학습 정확도(LA) 측정

TA vs. TF

항목	Task-Aware (TA)	Task-Free (TF)
Task ID 사용	O	X
Softmax head	task별 분리 가능	통합 softmax head 필수
Class confusion	X	O
현실성	\(\downarrow\)	\(\uparrow\)
난이도	\(\downarrow\)	\(\uparrow\)

• https://arxiv.org/pdf/2403.05175

1. Split miniImageNet-TA

항목	설명
Dataset	miniImageNet (100 classes 중 일부 사용)
Split 방식	총 20개 task로 분할 (3 validation, 17 continual tasks)
Task 구성	각 task는 5개의 새로운 class
TA (Task-Aware)	모델은 현재 task 번호를 알고 있음 → 해당 task 전용 classifier 사용 가능
평가 방식	매 task 후, 그 task에만 맞는 softmax head로 정확도 평가

• 쉬운 설정
• Task 정보가 주어지므로 task confusion 없음

Details

(1) Dataset 세 줄 요약

• ImageNet에서 추출한 소형 데이터셋으로,
• 보통 100개 클래스, 클래스당 600장 이미지 (84×84 RGB)로 구성
• few-shot learning, meta-learning, continual learning 등에서 널리 사용됨

(2) Split 관련

• miniImageNet의 100개 클래스를 task 단위로 쪼갠 것
• e.g., 100개 클래스를 5개씩 나누면..
  • 20개의 task
  • 각 task는 5-way classification 문제

(3) Task-Aware (TA)

• 모델이 “지금 내가 어떤 task를 학습 중인지 알고 있음”을 의미함

• 즉, 학습/테스트 시 task ID가 제공되므로…

  \(\rightarrow\) 그 task에 해당하는 클래스들만 분류하도록 softmax head를 제한할 수 있음

(4) 구성 예시

Task	Classes
Task 1	class 0~4
Task 2	class 5~9
…	…
Task 20	class 95~99

• 각 task는 독립적인 5-way 분류 문제
• 모델은 Task 2의 경우, “class 5~9 중에서 정답을 골라야 함”을 알고 있음 (TA 이므로!)

(5) 평가 방식

• 모델은 task N의 test set을 볼 때 task N 전용 classifier만 활성화
• 즉, softmax head는 5개만 활성화되고 나머지는 mask됨

2. Split miniImageNet-TF

항목	설명
Dataset	miniImageNet
Split 방식	위와 동일하게 20 task 구성
TF (Task-Free)	모델은 task ID를 모름 → 전체 학습한 class에 대해 softmax 예측해야 함
평가 방식	전체 softmax over seen classes

• 현실에 더 가까운 어려운 설정
• 모델은 task가 바뀐 줄 모르고 누적된 전체 class 중에서 예측
• Task confusion 발생 가능 → head를 나눌 수 없음

Details

(1) Dataset 세 줄 요약: 동일

(2) Split 관련: 동일

(3) Task-Free (TF)

• 모델이 “지금 내가 어떤 task를 학습 중인지 모름”

• 즉, 학습/테스트 시 task ID가 주어지지 않음

  → 모델은 지금이 어떤 task인지 추측 없이 전부 예측해야 함

  \(\rightarrow\) 지금까지 학습된 모든 클래스에 대해 softmax를 수행

(4) 구성 예시

Task	Classes
Task 1	class 0~4
Task 2	class 5~9
…	…
Task 20	class 95~99

• TA와 마찬가지로, 각 task는 여전히 독립적인 5-way 분류 문제이지만…
• TF 설정에서는 “task 구분 없이” 누적된 “전체” 클래스에 대해 예측!
  • e.g., Task 3의 테스트에서 → class 0~14 전체 중에서 정답을 골라야 함

(5) 평가 방식

• 모델은 매 task의 test set에 대해 누적된 전체 클래스에 대해 softmax 수행
• task 1 → 5-way softmax
• task 2 → 10-way softmax
• task 20 → 100-way softmax

\(\rightarrow\) task가 지날수록 어려워짐!

3. CORE50-TA

항목	설명
Dataset	CORE50 (50개 object class + 다양한 변형)
Split 방식	13 task (3 validation + 10 continual)로 구성
Task 구성	각 task는 5개 class
Task-Aware	task 번호가 제공됨 → 해당 task에만 맞는 classifier 사용 가능

• 모델은 매 task마다 정확히 분리된 softmax classifier 사용 가능
• 현실보단 이상적인 환경이지만, object recognition처럼 복잡한 시각 데이터에 적합

4. CORE50-TF

항목	설명
Dataset	CORE50
Split 방식	동일하게 13개의 task로 나눔
Task-Free	task 번호 제공되지 않음 → 전체 softmax head로 누적된 class 중 예측해야 함

• 가장 challenging한 설정 중 하나
• object recognition + no task ID → forgetting + confusion 모두 발생

5. Comparison

(Feat. ChatGPT)

Benchmark	Domain	Split	Task Info	난이도	용도
Split miniImageNet-TA	ImageNet subset	20 tasks	✅ 제공	★★☆☆☆	구조 파악 실험
Split miniImageNet-TF	ImageNet subset	20 tasks	❌ 없음	★★★★☆	realistic CL
CORE50-TA	Object recognition	13 tasks	✅ 제공	★★★☆☆	real-data 기반
CORE50-TF	Object recognition	13 tasks	❌ 없음	★★★★★	hardest setting