终身漫游：一种逼真的少样本在线持续学习设定

在线少样本学习描述了一种模型在数据流上训练与评估同时学习涌现类别的设定。尽管该设定下先前工作在由单一室内环境组成的数据流上进行实例分类时取得了非常有前景的性能，我们提出将该设定扩展至考虑一系列多个室内环境中的对象分类，这很可能出现在如机器人等应用中。重要的是，我们所称的在线少样本持续学习设定，将研究充分的灾难性遗忘问题注入至少样本在线学习范式。在本工作中，我们在我们的设定下对若干现有方法与适配基线进行基准测试，并展示在灾难性遗忘与在线性能之间存在权衡。我们的发现激励了该设定下未来工作的需求，以在不发生灾难性遗忘的情况下实现更好的在线性能。