연구 주제 구체화
•
응용 시스템
◦
시계열 데이터를 활용한 예측 시스템
◦
이상 탐지 시스템
•
도메인 설정
◦
제조 도메인 (예: 설비 이상 탐지, 품질 예측 등)
◦
or
•
연속학습 적용 이유
◦
도메인에서 지속적으로 새로운 데이터가 생성되는 상황에 대응
◦
모델의 성능을 지속적으로 개선하고 새로운 패턴에 적응
◦
기존 지식을 유지하면서 새로운 정보를 학습하는 능력 필요
Preliminaries
•
Continual Learning
◦
개념 및 필요성 소개
◦
catastrophic forgetting 문제와 해결 방안
◦
대표적인 continual learning 방법론 (예: replay-based, regularization-based, parameter isolation 등)
•
FSCIL (Few-Shot Class-Incremental Learning) + Prototype
◦
FSCIL의 개념 및 필요성 소개
◦
Prototype 기반 방법론
◦
FSCIL과 Prototype 기반 방법론의 결합 방안
•
Time Series Data
◦
시계열 데이터의 특성 및 분석 방법
◦
시계열 데이터에 적합한 딥러닝 아키텍처 (예: RNN, LSTM, GRU 등)
◦
시계열 데이터에서의 continual learning 적용 사례