CL2R：兼容的终身学习表征

在本文中，我们提出一种部分模仿自然智能的方法，用于解决兼容的终身学习表征问题。我们从一个学习智能体的视角出发，该智能体致力于在一个开放的动态宇宙中识别物体实例，使其内部特征表征的任何更新都不会导致图库中的特征无法用于视觉检索。我们将这一学习问题称为兼容终身学习表征（CL2R，Compatible Lifelong Learning Representations），因为它在终身学习范式下考虑了兼容表征学习。我们指出平稳性（stationarity）是特征表征为实现兼容性所需具备的性质，并提出了一种新颖的训练流程，在所学表征上鼓励局部与全局平稳性。由于平稳性，所学特征的统计性质不随时间改变，从而使其与先前学到的特征可互操作。在标准基准数据集上的大量实验表明，我们的 CL2R 训练流程优于替代基线和 SOTA 方法。我们还提供了新颖的度量指标，用于专门评估在各种顺序学习任务中灾难性遗忘下的兼容表征学习。代码见 https://github.com/NiccoBiondi/CompatibleLifelongRepresentation。