用于持续半监督学习的超网络

从顺序到达的数据中学习（可能以非独立同分布方式），且任务分布随时间变化，称为持续学习。迄今为止持续学习的大部分工作聚焦于监督学习，一些近期工作关注无监督学习。在许多领域中，每个任务包含少量有标签和大量无标签训练样本的混合，这需要半监督学习方法。为在持续学习设定中解决此问题，我们提出一种称为持续半监督学习的元整合（MCSSL）的半监督持续学习框架。我们的框架具有一个超网络，其学习生成半监督辅助分类器生成对抗网络$(\textit{Semi-ACGAN})$作为基础网络的权重的元分布。我们在超网络中整合顺序任务的知识，而基础网络学习半监督学习任务。此外，我们提出$\textit{Semi-Split CIFAR-10}$，一个通过修改$\textit{Split CIFAR-10}$数据集得到的持续半监督学习新基准，其中带有有标签和无标签数据的任务顺序到达。我们提出的模型在持续半监督学习设定中取得显著改进。我们在提出的Semi-Split CIFAR-10数据集持续半监督学习基准上比较了几种现有持续学习方法的性能。