基于平到宽方法的少样本持续学习
机器学习
2023-07-17 v2 人工智能
摘要
现有的持续学习方法在其训练过程中需要大量样本。由于过拟合问题，此类方法对于许多样本有限的现实世界问题并不实用。本文提出一种少样本持续学习方法，称为平到宽方法（FLat-tO-WidE AppRoach, FLOWER），其中提出寻找平-宽极小值的平到宽学习过程以解决灾难性遗忘问题。数据稀缺问题通过一种数据增强方法克服，该方法利用球生成器概念将采样空间限制于最小包围球内。我们的数值研究证明了 FLOWER 的优势，其在小基任务上相较先前方法取得了显著更优的性能。为进一步研究，FLOWER、竞争算法和实验日志的源代码已在 \url{https://github.com/anwarmaxsum/FLOWER} 公开共享。
引用
@article{arxiv.2306.14369,
title = {Few-Shot Continual Learning via Flat-to-Wide Approaches},
author = {Muhammad Anwar Ma'sum and Mahardhika Pratama and Edwin Lughofer and Lin Liu and Habibullah and Ryszard Kowalczyk},
journal= {arXiv preprint arXiv:2306.14369},
year = {2023}
}