Rumo ao Aprendizado Contínuo Cross-Domain

Aprendizado contínuo é um processo que envolve treinar agentes de aprendizado para dominar sequencialmente uma série de tarefas ou classes sem revisitar dados anteriores. O desafio está em aproveitar o conhecimento previamente adquirido para aprender novas tarefas de forma eficiente, evitando o esquecimento catastrófico. Métodos existentes focam principalmente em domínios únicos, restringindo sua aplicabilidade a problemas específicos. Neste trabalho, introduzimos uma abordagem inovadora chamada Aprendizado Contínuo Cross-Domain (CDCL) que aborda as limitações de se restringir a domínios supervisionados únicos. Nosso método combina mecanismos de atenção cruzada inter e intra-tarefa dentro de uma rede convolucional compacta. Essa integração permite que o modelo mantenha alinhamento com características de tarefas anteriores, atrasando assim o desvio de dados que pode ocorrer entre tarefas, enquanto realiza aprendizado não supervisionado cross-domain (UDA) entre domínios relacionados. Ao aproveitar um método específico de pseudo-rotulagem intra-tarefa, garantimos pares de entrada precisos para amostras rotuladas e não rotuladas, aprimorando o processo de aprendizado. Para validar nossa abordagem, realizamos experimentos extensivos em conjuntos de dados públicos UDA, demonstrando seu desempenho positivo em desafios de aprendizado contínuo cross-domain. Além disso, nosso trabalho introduz ideias incrementais que contribuem para o avanço desta área. Tornamos nosso código e modelos disponíveis para incentivar exploração e reprodução dos resultados: https://github.com/Ivsucram/CDCL