保守生成器、渐进判别器：少样本增量图像合成中对抗者的协调

从在线数据流中增量学习的能力是人类学习者的羡慕特质，因为深度神经网络通常遭受灾难性遗忘与稳定性-可塑性困境。先前若干工作探索了增量少样本学习——一项因数据受限而挑战更大的任务，主要在分类设定中取得有限成功。本工作中，我们研究代表性不足的生成式增量少样本学习任务。为有效应对增量学习与少样本学习的固有挑战，我们提出一种名为 ConPro 的新框架，其利用 GANs 的双玩家本质。具体而言，我们设计了一个以参数与计算高效方式保留过去知识的保守生成器，以及一个学习推断过去与当前任务样本间语义距离、以极少数据点最小化过拟合并追求良好前向迁移的渐进判别器。我们给出实验以验证 ConPro 的有效性。