愿遗忘与你同在：用于带噪标签学习的交替重放

在增量训练过程中，遗忘是一个重大挑战，这使得当代 AI 系统在流数据环境中吸收新知识变得尤为困难。为了解决这个问题，持续学习 (CL) 中的大多数方法依赖于对过去数据有限缓冲区的重放。然而，现实场景中噪声的存在（由于时间限制导致的人工标注受限，或数据自动从网络收集），经常使这些策略变得脆弱。在本研究中，我们通过引入交替经验重放 (AER) 来解决带噪标签持续学习 (CLN) 问题，该方法利用遗忘机制在内存缓冲区中保持干净样本、复杂样本和噪声样本之间的清晰区分。其核心思想是，那些难以拟合先前学习数据分布的复杂或误标样本最容易被遗忘。为了充分利用这种分离的优势，我们为 AER 配备了非对称平衡采样 (ABS)：一种新的样本选择策略，它在优先保证当前任务纯度的同时，保留过去的相关样本。通过广泛的计算比较，我们证明了我们的方法在所得缓冲区的准确率和纯度方面的有效性，与现有的基于损失的净化策略相比，准确率平均提高了 4.71 个百分点。代码可在 https://github.com/aimagelab/mammoth 获取。