A human-like approach to multi-task learning

Bu tez, geleneksel ve katı eğitim planlarına karşı, insan esinli yeni bir çoklu-görev öğrenme çerçevesi önermektedir. Tasarladığımız sistemde, öğrenen bir ajan hangi göreve odaklanacağına, yüksek seviyeli bir denetim mekanizması olan Görev Denetleyici aracılığıyla, içsel ve göreve özgü olmayan sinyallere dayanarak öz-yönelimli biçimde karar verir. Öncelikle, Öğrenme İlerlemesini (Öİ) yönlendirici sinyal olarak kullanan, çoklu görevleri aralıklı öğrenme için modüler bir sinir mimarisi olan LP-Con'u geliştiriyoruz. Bu model, esnek ve çoktan-çoğa bilgi aktarımını sağlayan görev-özel ağ blokları sayesinde, insan benzeri aralıklı bir öğrenme süreci sunar. Ardından, IMTL-EMLP ile Görev Denetleyici'ye Enerji Tüketimi (ET) bilgisini entegre ederek öğrenme performansından ödün vermeksizin enerji verimliliğini artırıyoruz. Her iki model de, bir ajanın çeşitli nesne etkileşim senaryolarında eylemlerinin sonuçlarını öngörmeyi öğrendiği, simüle edilmiş bir robotik ortamda değerlendirilmiştir. Önerdiğimiz modellerin etkinliğini doğrulamak için; toplam görev başarımı analizi, göreve-özgü öğrenme performansları, Görev Denetleyici'nin görev seçme örüntüleri, aralıklı ve bloklu öğrenme karşılaştırması ile nesne-bazlı çapraz görev beceri transferi gibi kapsamlı deneyler yürütülmüştür. Karşılaştırılan modeller arasında tekli-görev öğrenme, rastgele görev sıralamalı çoklu-görev öğrenme ve bloklu çoklu-görev öğrenme yer alır. Deneysel sonuçlar, bilişsel ilhamlı yöntemlerimizin öğrenmeyi önemli ölçüde hızlandırdığını, genelleme kabiliyetini artırdığını, unutmaya karşı dayanıklılık gösterdiğini ve hesaplama verimliliğini yükselttiğini ortaya koymaktadır. Öğrenme stratejilerini insan gelişiminin öz-düzenlemeli ve dinamik doğasıyla hizalayarak, bu çalışma daha uyarlanabilir, verimli ve ölçeklenebilir yaşam boyu öğrenme sistemlerinin oluşturulmasına katkıda bulunmaktadır.