班级增量学习
文件
用于班级增量学习的自适应聚合网络，CVPR2021。[ ] []
助记符训练：无需忘记的多级增量学习，CVPR2020。[ ] []
引文
如果它们对您的工作有帮助，请引用我们的论文：
@inproceedings { Liu2020AANets ,
author = { Liu, Yaoyao and Schiele, Bernt and Sun, Qianru } ,
title = { Adaptive Aggregation Networks for Class-Incremental Learning } ,
booktitle = { The IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) } ,
year = { 20
2023-03-15 20:22:47
99KB
1
很棒的增量学习/终身学习
民意调查
图像分类中的在线连续学习：一项实证调查（ arXiv 2020 ）[] []
自然语言处理中的持续终身学习：一项调查（ COLING 2020 ）[]
班级增量学习：调查和绩效评估（ arXiv 2020 ）[] []
视觉任务的类增量学习算法的综合研究（神经网络）[] []
持续学习调查：在分类任务中避免遗忘（ TPAMI 2021 ） [ ]
神经网络的持续终身学习：回顾（神经网络）[论文]
文件
2021年
区分性和生成性持续学习的有效特征转换（ CVPR，2021年）[论文]
借助不断发展的分类器进行少量增量式学习（ CVPR，2021年）[论文]
基于矫正的持续学习知识保留（ CVPR，2021年）[论文]
DER：用于班级增量学习的动态可扩展表示形式（ CVPR，2021 ）[论文]
彩虹记忆：通过多种样本记忆进行持续学习（
2022-03-20 15:38:22
6KB
1
持续学习基准
使用流行的持续学习算法评估三种类型的任务转移。
该存储库使用PyTorch实现并模块化了以下算法：
EWC： ，（克服神经网络中的灾难性遗忘）
在线EWC： ，
SI： ，（通过突触智能持续学习）
MAS： ，书面（“内存感知突触：学习（不）忘记的内容”）
创业板： ，（用于持续学习的梯度情景记忆）
（更多即将到来）
将以上所有算法与具有相同静态内存开销的以下基准进行比较：
天真彩排：
L2： ，
关键表：
如果此存储库对您的工作有所帮助，请引用：
@inproceedings{Hsu18_EvalCL,
title={Re-evaluating Continual Learning Scenarios: A Categorization and Case for Strong Baselines},
author={Yen-Chang Hsu a
2021-11-05 12:59:07
478KB
1
持续学习
这是以下论文中描述的持续学习实验的PyTorch实现：
三种持续学习的方案（）
具有反馈连接的生成性重放是持续学习的通用策略（）
要求
当前版本的代码已经过测试：
pytorch 1.1.0
torchvision 0.2.2
运行实验
可以使用main.py运行单个实验。 主要选项有：
--experiment ：哪个任务协议？ （ splitMNIST | permMNIST ）
--scenario ：根据哪种情况？ （ task | domain | class ）
--tasks ：多少个任务？
要运行特定方法，请使用以下命令：
上下文相关门（XdG）：
2021-10-11 10:46:00
68KB
1
不断学习的增量学习者
存储我在博士学位论文（2019-）期间完成的所有公共作品的存储库。
您可以在其中找到已知的实现（iCaRL等），也可以找到我的所有论文。 您可以在我的找到后者的列表。
结构体
每个模型都必须继承inclearn.models.base.IncrementalLearner 。
PODNet：用于小任务增量学习的合并输出提炼
]
如果您在研究中使用本文/代码，请考虑引用我们：
@inproceedings{douillard2020podnet,
title={PODNet: Pooled Outputs Distillation for Small-Tasks Incremental Learning},
author={Douillard, Arthur and Cord, Matthieu and Ollion, Charles and R
2021-10-10 11:04:38
4.93MB
1
保持意义的持续学习（MPCL）
这是的后续。 核心思想保持不变。
定位意义
MPCL认为，潜在表示通过对外界采取行动而获得了意义。
为了使连续学习在复杂的环境中易于管理并避免，含义必须随着时间的流逝而保持稳定。 这是MPCL背后的核心思想。 请注意，稳定性并不意味着闲置：只要可以在表示的计算范围之外继续满足其目的，就可以完善表示模型。
MPCL借鉴了内含的。 我希望MPCL可以帮助建立更多位置的人工代理，尽管它并不完全符合当前的体现/情境认知理论。
在我的情境认知版本中，意义是核心。 “含义”是与需要稳定的外界的联系。 传统上，程序员是要确定算法输入和输出的含义的，因为含义不会神奇地从其算法的语法复杂性中浮现出来。 智能行为也不是来自孤立的算法，因为只有当智能算法在观察者眼中做出有意义的事情时，智能算法才能被认为是智能的，即，行为模式只能在可理解的范围内被认为是智能的。
在本自述
2021-02-23 09:04:58
192KB
1