D-CBRS：在持续学习中考虑类内多样性
机器学习
2022-07-14 v1 计算机视觉与模式识别
机器学习
摘要
持续学习——从一系列学习经验中积累知识——是一个重要且具有挑战性的问题。在该范式下，随着观察到更多数据，模型对先前遇到样本的性能可能大幅下降。在处理类别不平衡数据时，遗忘现象进一步加剧。已有工作提出基于回放的算法，旨在通过智能存储样本以供未来回放来减少遗忘。尽管类别平衡蓄水池采样（CBRS）已成功处理不平衡数据，但其未考虑类内多样性，隐含假设同一类别的每个样本具有同等信息量。我们提出多样性-CBRS（D-CBRS），一种在将样本存入记忆时考虑类内多样性的算法。我们的结果表明，在具有显著类内多样性的数据集上，D-CBRS优于最先进的记忆管理持续学习算法。
引用
@article{arxiv.2207.05897,
title = {D-CBRS: Accounting For Intra-Class Diversity in Continual Learning},
author = {Yasin Findik and Farhad Pourkamali-Anaraki},
journal= {arXiv preprint arXiv:2207.05897},
year = {2022}
}
备注
To appear in IEEE ICIP 2022