面向人体状态监测的持续学习

时间序列数据上的持续学习（CL）代表了现实世界应用中一个有前景但研究不足的途径。我们提出了两个用于人体状态监测的新 CL 基准。我们精心设计了这些基准以反映新受试者不断加入的现实环境。我们进行了实证评估，以考察流行的 CL 策略在我们基准中缓解遗忘的能力。我们的结果表明，可能由于基准的领域增量特性，即便使用简单的微调也能轻松应对遗忘，而现有策略难以在固定的、保留的测试受试者上积累知识。