无监督在线通用持续学习的域感知增强
机器学习
2023-09-14 v1
摘要
持续学习一直具有挑战性，尤其在无监督场景如无人监督在线通用持续学习（UOGCL）中，学习智能体对类边界或任务变更信息毫无先验知识。先前研究多聚焦于降低有监督设定下的遗忘，而近期工作表明自监督学习器对遗忘更具韧性。本文提出一种新方法，通过定义并使用流依赖的数据增强及若干实现技巧，提升 UOGCL 中对比学习的记忆利用率。我们提出的方法简洁而有效，在所有考量设定下相较其他无监督方法取得最先进（state-of-the-art）结果，并缩小了有监督与无监督持续学习间的差距。我们的域感知增强流程可适配其他基于回放的方法，使其成为持续学习中有前景的策略。
关键词
引用
@article{arxiv.2309.06896,
title = {Domain-Aware Augmentations for Unsupervised Online General Continual Learning},
author = {Nicolas Michel and Romain Negrel and Giovanni Chierchia and Jean-François Bercher},
journal= {arXiv preprint arXiv:2309.06896},
year = {2023}
}
备注
Accepted to BMVC'23