.png){kind=icon}
返回
Balanced Contrast Class-Incremental Learning
.png){kind=icon}
OA
AI
DOI：10.1049/cit2.70060.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
持续学习旨在使模型能够持续学习新任务，同时减少遗忘以保留先前学到的知识。在接收不受独立同分布（IID）假设约束的流数据的情况下，持续学习通过多种方法高效地转换和利用先前学到的知识，并完成新任务的学习。模型在一系列任务中的泛化性能和学习效率得到提升。然而，持续学习场景中的类别不平衡严重削弱了模型性能。特别是在类别增量场景中，类别不平衡会导致模型偏向新任务类别，同时降低先前学到的类别的性能，从而引发灾难性遗忘。本文提出了一种基于平衡对比的新方法，以解决类别增量的持续学习问题。该方法利用梯度平衡来缓解类别增量场景中的类别不平衡影响。该方法借助对比学习和梯度修改，促进持续学习过程中不同类别数据的平衡处理。本文提出的方法在CIFAR-100、CIFAR-10和mini-ImageNet等标准图像数据集的类别增量学习场景中超越了现有基线方法。研究结果揭示，所提出的方法有效缓解了先前学到的类别的灾难性遗忘，显著提高了持续学习的效能，并为进一步推进持续学习性能提供了强大的解决方案。
Keyword:
artificial intelligence
deep learning
deep neural networks
image classification
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
7.3
论文数:
671
被引数:
2.4K
机构
引用论文
Car-following strategy of intelligent connected vehicle using extended disturbance observer adjusted by reinforcement learning基于强化学习调整的扩展扰动观测器的智能网联汽车跟车策略OAAI
OAAI分享收藏分享收藏分享收藏Impact of Random Oversampling and Random Undersampling on the Performance of Prediction Models Developed Using Observational Health Data基于观察性健康数据开发的预测模型性能受随机过采样和随机欠采样的影响.png)
IF0
PREAI
分享收藏分享收藏SMTC-CL: Continuous Learning via Selective Multi-Task Coordination for Adaptive Signal ClassificationSMTC-CL：通过选择性多任务协调进行连续学习以实现自适应信号分类
OAAI
OAAI分享收藏
查看更多内容