ショウジョウバエに学ぶ階層的モジュール性による汎用的な継続学習

- 継続学習（Continual Learning）の新しい枠組みを提案。 - 従来のオフライン・タスク境界明確な設定ではなく、オンラインで不確実・進化するデータストリーム下での一般的継続学習を対象。 - ショウジョウバエの学習・記憶システムに着想を得た階層的モジュール性を導入。 - 事前学習済み基盤モデルに軽量なモジュール適応を施し、専門家の特化とアンサンブル統合を両立。 - 視覚認識、視覚言語理解、エゴ・エクソ動画理解、身体性視覚言語行動学習で有効性を検証。

- 従来の継続学習はオフラインでタスク境界が明確な設定が主流で、オンライン・不確実・進化するデータストリームには対応しにくい。 - リプレイなしの代替手法と比較して、身体性マニピュレーションで50パーセントポイント以上の性能向上を達成。 - 脳に着想を得た階層的モジュール性により、干渉の低減と一般化の促進を同時に実現する点が新しい。 - 複数のモダリティやタスクにまたがる一般的な継続学習設定で一貫した改善を示す。

- ショウジョウバエの学習・記憶システムの組織化に基づく階層的モジュール原理を同定。 - 専門家の特化とアンサンブル統合を調整する仕組みを採用。 - 事前学習済み基盤モデルに対する軽量なモジュール適応を実現。 - 脳に着想を得たランダム拡張による専門家ルーティングと、空間・時間スケールにわたる多様なモジュール統合を組み合わせる。

- 視覚認識、視覚言語理解、エゴ・エクソ動画理解、身体性視覚言語行動学習の4領域で評価。 - オンラインで不確実なデータストリーム下での学習性能を測定。 - リプレイなしの代替手法と比較し、身体性マニピュレーションで50パーセントポイント以上の改善を確認。 - 複数のタスクで一貫した性能向上を報告。

- 階層的モジュール性が生物学的に根拠のある動的経験からの学習経路であることを支持する知見を提示。 - 一般的継続学習におけるオンライン・不確実・進化するデータストリームへの対応可能性を示唆。 - 具体的な限界や課題については要旨からは不明。

- 要旨で参照・比較されている研究は明示されていない。 - 関連手法として、リプレイベースの継続学習、モジュール型継続学習、事前学習済み基盤モデルの適応（例：Adapter、LoRA）、脳に着想を得た継続学習（例：Complementary Learning Systems）などが挙げられる。