ReSeleCT: A New Approach for Continual Learning With Application to Vehicle State Estimation
Notice bibliographique
Résumé
In time series and data stream analysis, neural networks (NNs) have demonstrated remarkable capacity in predicting current and future states. However, NNs often suffer from catastrophic forgetting (CF) when adapting to new tasks or data domains. This issue is particularly pressing in vehicle state estimation, given that new data domains are frequently invited to a pre-trained model. While memory-based techniques have been proposed to address CF in continual learning, they are less effective for time series regression problems due to the absence of a suitable subset selection strategy. This paper presents a novel method called ReSeleCT (Representative Selection for Continual learning in Time-series scenarios) for identifying and capturing a coreset of old datasets in memory-based continual learning with application to vehicle velocity estimation. The approach focuses on selecting a representative subset of historical data to retain key information from previous tasks. The framework is applied to estimate a vehicle's longitudinal and lateral velocities using neural networks, incorporating new maneuvers into the previously trained model. Experiments on sensor data from an electric Equinox vehicle demonstrate that ReSeleCT efficiently adapts to new data domains while preserving prediction accuracy on the old dataset, with the added benefit of fast model adaptation without significant computational overhead. Comparison against other algorithms in continual learning shows a superior performance of the proposed method in terms of prediction error while maintaining an acceptable training time.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».