Neural networks have achieved remarkable success in various areas, but they still fail when the task changes over time. The subfield of machine learning that focuses on overcoming this problem is called continual learning. In this paper, we applied meta‐learning techniques to train a continual learning agent that utilizes an external memory via a novel scalar‐output architecture. Unlike previous works that use a fixed method to access and update memory, our agent learns the optimal way from scratch. We show that our agent successfully learned what to remember and how to recall, achieving final average accuracy about 10 % higher compared to other continual learning algorithms.
인공신경망은 다양한 분야에서 괄목할만한 성과를 냈지만 작업이 시간에 따라 바뀌는 경우에는 학습에 실패한다. 이러한 문제를 해결하는 데에 초점이 맞춰진 분야가 바로 연속학습이다. 본 논문에서는 메타학습기법을 사용하여 연속학습 에이전트가 스칼라 출력을 가지는 새로운 형태의 신경망을 통해 기억장치를 사용하는 방법을 학습한다. 기존의 기억장치를 사용한 연속학습 알고리즘은 대부분 기억장치에 접근하여 읽고 쓰는 방식이 정해져 있지만, 우리 방식은 이를 백지상태로부터 최적의 방식을 학습한다. 본 논문에서 제안한 알고리즘은 다른 연속학습 알고리즘보다 10 % 높은 정확도를 성취하였다.
