重复出现的持续学习
机器学习
2024-12-03 v2 人工智能
摘要
持续学习（CL）为训练动态环境中的模型提供了框架。尽管在现实问题中，先前看到的对象或任务的重复出现很常见，但在CL的标准基准测试中，数据流中的重复概念并不常被考虑。与基于缓冲区策略中使用再现机制控制样本重复不同，数据流中的重复自然源自环境。本报告总结了CVPR 2023 CLVision挑战赛的结果，聚焦于数据流中重复的主题。报告首先概述了挑战目标，然后描述了最终团队提出的三个解决方案，旨在有效利用数据流中的重复进行持续学习。挑战的实验结果突出了采用基于集成的解决方案的有效性，这些解决方案使用多个类似模块的版本，每个模块在不同的但重叠的类别子集上训练。本报告强调了通过利用数据流中的重复来重新思考CL，从而促进创新策略设计的变革性潜力。
关键词
引用
@article{arxiv.2405.04101,
title = {Continual Learning in the Presence of Repetition},
author = {Hamed Hemati and Lorenzo Pellegrini and Xiaotian Duan and Zixuan Zhao and Fangfang Xia and Marc Masana and Benedikt Tscheschner and Eduardo Veas and Yuxiang Zheng and Shiji Zhao and Shao-Yuan Li and Sheng-Jun Huang and Vincenzo Lomonaco and Gido M. van de Ven},
journal= {arXiv preprint arXiv:2405.04101},
year = {2024}
}
备注
Accepted version, to appear in Neural Networks; Challenge Report of the 4th Workshop on Continual Learning in Computer Vision at CVPR