对抗学习网络：无源无监督域增量学习
机器学习
2023-01-31 v1
摘要
本工作提出了一种在非平稳环境中增量更新深度神经网络（DNN）模型的方法。DNN 模型对输入数据分布的变化敏感，这限制了其在具有平稳输入数据集的问题设定中的应用。在非平稳环境中，更新 DNN 模型需要参数重训练或模型微调。我们提出一种无监督无源方法以更新 DNN 分类模型。本工作的贡献有两点。首先，我们使用可训练高斯原型为后续迭代生成代表性样本；其次，利用无监督域适应，我们使用无标签数据增量适配现有模型。与现有方法不同，我们的方法可在不存储过往训练数据的情况下，针对非平稳的源任务与目标任务增量更新 DNN 模型。我们在增量情感预测与增量疾病预测应用上评估了本工作，并将我们的方法与最先进的持续学习、域适应及集成学习方法进行比较。结果显示，相较现有增量学习方法，我们的方法取得了更优性能。我们观察到在多轮迭代中对过往知识的遗忘极小，这有助于我们开发无监督自学习系统。
引用
@article{arxiv.2301.12054,
title = {Adversarial Learning Networks: Source-free Unsupervised Domain Incremental Learning},
author = {Abhinit Kumar Ambastha and Leong Tze Yun},
journal= {arXiv preprint arXiv:2301.12054},
year = {2023}
}