CLOPS：生理信号的持续学习
机器学习
2020-12-01 v2 机器学习
摘要
众所周知，当样本违反独立同分布（i.i.d）假设时，深度学习算法会产生破坏性干扰。然而，在临床环境中，这种违反无处不在，因为数据是按时间流式传输的，且来自大量生理传感器。为了克服这一障碍，我们提出了 CLOPS，一种基于回放的持续学习策略。在基于三个公开可用数据集的三个持续学习场景中，我们表明 CLOPS 的性能优于 SOTA 方法 GEM 和 MIR。此外，我们提出了端到端可训练参数，我们称之为任务实例参数，可用于量化任务难度和相似度。这种量化为了解网络可解释性和临床应用提供了见解，而在临床应用中任务难度通常难以量化。
引用
@article{arxiv.2004.09578,
title = {CLOPS: Continual Learning of Physiological Signals},
author = {Dani Kiyasseh and Tingting Zhu and David A. Clifton},
journal= {arXiv preprint arXiv:2004.09578},
year = {2020}
}