基于伪再排队策略的表格数据分类中的灾难性遗忘克服方法
光学
2024-07-15 v1
摘要
持续学习（CL）面临着重要挑战，即在整合新知识的同时，能够在不忘记先前已获取知识的条件下适应不断变化的数据分布。本文提出一种新方法，称为表格数据再排队式增量终身学习框架（TRIL3），旨在解决表格数据分类问题中的灾难性遗忘现象。TRIL3使用基于原型的增量生成模型XuILVQ生成合成数据以保存旧知识，并使用修改后的DNDF算法以增量方式运行，以在不存储旧样本的情况下学习表格数据的分类任务。在进行不同的测试以获得合适的合成数据比例并与其他CL可用方案进行比较后，我们可以得出结论，TRIL3在仅使用50%的合成数据的情况下，在文献中表现出色。
引用
@article{arxiv.2407.09037,
title = {Photonic quasicrystal of spin angular momentum},
author = {Min Lin and Xinxin Gou and Zhenwei Xie and Aiping Yang and Luping Du and Xiaocong Yuan},
journal= {arXiv preprint arXiv:2407.09037},
year = {2024}
}