用于持续学习系统评估的程序化世界生成框架
机器学习
2021-12-14 v2 计算机视觉与模式识别
摘要
为了缓解深度神经网络在非平稳数据训练中的灾难性干扰，人们提出了若干类持续学习技术。然而，由于难以获得合适的数据集，对其局限性进行全面比较和分析在很大程度上仍是空白。实证检验不仅在不同工作间差异巨大，而且目前还依赖于通过细分和拼接各种流行的静态视觉数据集来人为构造基准。在本文中，我们的目标是通过引入一个计算机图形学仿真框架来弥合这一差距，该框架在无限的实时程序化世界生成过程中仅渲染即将出现的城市场景片段。其核心是一个带有可适应生成因子的模块化参数化生成模型。后者可用于灵活组合数据流，这极大地方便了详细分析，并允许毫不费力地研究各种持续学习方案。
引用
@article{arxiv.2106.02585,
title = {A Procedural World Generation Framework for Systematic Evaluation of Continual Learning},
author = {Timm Hess and Martin Mundt and Iuliia Pliushch and Visvanathan Ramesh},
journal= {arXiv preprint arXiv:2106.02585},
year = {2021}
}
备注
Published in Neural Information Processing Systems, Dataset and Benchmarks Track 2021