面向连续学习的任务条件专家模型集合
机器学习
2025-04-16 v2 人工智能
计算机视觉与模式识别
摘要
机器学习中的一个重大挑战是维持部署模型（例如分类器）在非平稳环境中的准确性。非平稳环境导致分布迁移，从而造成准确性下降。对部署模型进行持续学习以适应新数据可能是一种解决方案。然而，问题随之而来的是：我们应如何更新模型以适应新训练数据，同时保持对旧数据的准确性。本文我们提出一种基于任务成员信息的任务条件专家模型集合，以维持现有模型的性能。该方法基于任务成员信息构建专家模型集合，基于域内模型的局部异常概念（与专家模型不同）在运行时为每个探测样本提供动态的任务成员信息。为评估所提出的方法，我们在三个实验设置上进行测试：第一个代表任务间分布迁移（LivDet-Iris-2017），第二个代表任务内外分布迁移（LivDet-Iris-2020），第三个代表任务间的离散分布（Split MNIST）。实验结果突出了所提方法的优势。源代码可在https://github.com/iPRoBe-lab/Continuous_Learning_FE_DM获取。
引用
@article{arxiv.2504.08626,
title = {Task-conditioned Ensemble of Expert Models for Continuous Learning},
author = {Renu Sharma and Debasmita Pal and Arun Ross},
journal= {arXiv preprint arXiv:2504.08626},
year = {2025}
}
备注
IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW), Nashville, USA, June 2025