基于编码器的终身学习 介绍 该代码实现了终身学习的方法。 它基于我们的工作，引入了一种新的终身学习解决方案，其中针对一系列任务训练单个模型。 在这种情况下，视觉系统面临的主要挑战是灾难性的遗忘：由于它们倾向于适应最近出现的任务，因此在先前学习的任务上会失去性能。 我们的方法旨在在使用自动编码器学习新任务的同时，保留先前任务的知识。 对于每个任务，都会学习一个不完整的自动编码器，并捕获对其完成至关重要的功能。 当向系统提出新任务时，我们防止使用这些自动编码器的功能重构发生变化，这具有保留以前任务主要依赖的信息的作用。 同时，为这些特征提供了空间以适应最新环境，因为仅控制了它们向低维子流形的投影。 所提出的系统在图像分类任务上得到了评估，并减少了对最新技术的遗忘。 先决条件 的MATLAB MatConvNet（ ）-代码基于1.0-beta23版本。 GPU：应与4G的gpu内存配合

持续学习论文 持续学习论文列表，由 ContinualAI 策划。 在262篇论文中搜索！ 您可以浏览此文件中的列表或在上以交互方式浏览。 Slack，随时了解最新的持续学习新闻。 访问 Continua AI wiki → 目录 持续的小样本学习 持续元学习 持续强化学习 持续顺序学习 学位论文 生成重放方法 混合方法 元持续学习 指标和评估 神经科学 其他 正则化方法 排练方法 审查论文和书籍 机器人 添加新纸张 论文列表由 Zotero 小组维护。 您可以加入该小组并帮助我们保持更新（请参阅下一节）。 如果你不想加入这个小组，你可以简单地打开一个 Github issue 向我们推荐一篇新论文（甚至不止一篇）。 我们会尽快将其添加到列表中。 打开一个新的 Github 问题。 附上包含要包含在列表中的论文的围兜文件。 如果您没有围脖文件，只需向我们提供论文的链接即可。

计算机视觉github开源论文，BATCHENSEMBLE: AN ALTERNATIVE APPROACH TO EFFICIENT ENSEMBLE AND LIFELONG LEARNING