连续表示偏移下的近似贝叶斯类条件模型

对于由某表示空间中的分类器构成的模型，从非平稳数据流中在线学习往往需要对表示进行改变。因此，如何最好地将分类器适配于表示偏移成为一个问题。现有方法仅缓慢地使分类器随表示偏移而改变，在分类器与表示未对齐时给学习引入了噪声。我们提出 DeepCCG，一种解决该问题的经验贝叶斯方法。DeepCCG 通过更新类条件高斯分类器的后验，使分类器一步适配于表示偏移。类条件高斯分类器的使用还使 DeepCCG 能够利用对数条件边际似然损失来更新表示。为执行分类器与表示的更新，DeepCCG 在内存中维护固定数量的样本，因此 DeepCCG 的一个关键部分是选择存储哪些样本，即选取使真实后验与该子集诱导的后验之间 KL 散度最小的子集。我们在在线持续学习（CL）中探究了 DeepCCG 的行为，表明其相对于一系列在线 CL 方法表现良好，并降低了由表示偏移引起的性能变化。