.png){kind=icon}
返回
Geometry-controlled convex hull prototype framework for online task-free continual learning
.png){kind=icon}
OA
AI
DOI：10.1016/j.neucom.2026.134619.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在线无任务持续学习要求模型从非平稳数据流中学习，无需任务边界、重放缓冲区或多遍处理，同时保留先前获得的知识。现有的无样本方法要么依赖不稳定的几何假设，要么依赖合成特征生成，在高度非平稳流下可能退化。为解决这些局限性，我们提出了GCHP，一种具有自适应结构控制的几何控制凸包原型框架，用于在线无任务持续学习。GCHP通过在低维控制空间中维护一个凸包，并在原始特征空间中维护其对应的语义原型来表示每个类别。在接收到新样本时，凸包通过控制空间中的扩展和收缩进行更新，并调节原型嵌入到原始特征空间以进行推理。这种几何控制机制能够在原型容量有界的情况下稳定地优化边界，而无需存储真实样本。在CIFAR-10、CIFAR-100、CORe-50和CUB-200上的大量实验表明，GCHP在基准测试中表现出色，尽管在严格单遍设置下未使用内存缓冲区。
Keyword:
Online task-free continual learning
Class-incremental learning
Convex hull
Prototype-based representation
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:
6.5
论文数:
2.5W
被引数:
6.5W
机构
引用论文
分享收藏分享收藏1D-LDA vs. 2D-LDA: When is vector-based linear discriminant analysis better than matrix-based?1D-LDA与2D-LDA: 基于向量的线性判别分析何时优于基于矩阵的线性判别分析？.png)
PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏Evolving Ensemble Model based on Hilbert Schmidt Independence Criterion for task-free continual learning基于Hilbert Schmidt独立性准则的无任务连续学习演化集成模型NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏
查看更多内容