継続学習（Continual Learning）は破壊的忘却と対策まとめを理解するための用語です。この記事では仕組み・役割・使いどころを押さえ、G検定で問われる判断ポイントとひっかけポイントを解説します。

gk neural_network

G検定トップ ＞ 継続学習（Continual Learning）とは？破壊的忘却と対策まとめ【G検定対策】

まず結論

  • 継続学習（Continual Learning）とは、新しいタスクを順番に学習しながら、過去の知識を維持することを目指す学習方法である。
  • G検定では「破壊的忘却がなぜ起き、どう防ぐか」がセットで問われる。

直感的な説明

継続学習とは、
「一度覚えたことを忘れずに、新しいことを覚え続けるAI」を作る考え方です。

普通のニューラルネットワークは、

  • 新しいことを覚えると
  • 前のことを 上書きして忘れてしまう

👉 これを防ごう、というのが継続学習です。

人間でいうと、

  • 学校で学年が上がっても
  • 前の学年の内容を忘れない
    状態を目指しています。

定義・仕組み

継続学習では、次のような状況を想定します。

  • タスクが 時間順に追加 される
  • 過去データをすべて保持できない
  • モデルは1つのまま使い続ける

このときに問題になるのが
👉 破壊的忘却（Catastrophic Forgetting）です。

破壊的忘却とは

  • 新しいタスクの学習によって
  • 過去タスクの性能が急激に低下する現象
  • 重みの上書きが主な原因

いつ使う？（得意・不得意）

継続学習が必要な場面

  • ロボットが作業を追加で覚える
  • 長期間運用されるAIシステム
  • データが順次到着する環境

向いていない場面

  • 全タスクのデータを最初から集められる
  • 一括学習（同時学習）が可能

G検定ひっかけポイント

継続学習は、次の概念と一緒に出題されます。

混同しやすい用語

  • ❌ マルチタスク学習
    → 複数タスクを同時に学習
  • ❌ 転移学習
    → 事前学習モデルを別タスクに適用
  • ✅ 継続学習
    → タスクを順番に学習

転移との関係

  • 正の転移：過去知識が役に立つ
  • 負の転移：過去知識が邪魔になる
  • 破壊的忘却：新学習で過去を忘れる

破壊的忘却への代表的対策

EWC（Elastic Weight Consolidation）

  • 過去タスクで重要な重みを特定
  • その重みが変わらないよう制約
  • 重みを守るアプローチ

リプレイ手法

  • 過去データ（または生成データ）を保存
  • 新タスク学習時に一緒に学習
  • 復習するアプローチ

まとめ（試験直前用）

  • 継続学習＝順番に学ぶ
  • 最大の問題は破壊的忘却
  • 正の転移は理想、負の転移は注意
  • EWC：重みを固定
  • リプレイ：過去データで復習
  • 「順番・忘却・対策」でセット理解

🔗 関連記事

🏠 G検トップに戻る