返回
Schedule-Robust Continual Learning
DOI:10.1109/TPAMI.2025.3614868.png)
摘要
En 中文
持续学习(CL)解决机器学习中的一个基本挑战,旨在从非平稳数据流中持续学习新数据,同时缓解先前学习数据的遗忘问题。尽管现有的CL算法已引入多种应对遗忘的实用技术,但鲜有关注研究数据调度(即决定数据流样本分布随时间演化的方式)如何影响CL问题。经验上,大多数CL方法易受调度变化的影响:当处理同一底层训练数据上的“更困难”调度时,其准确率显著降低。在实际场景中,数据调度往往是未知的,因此关键挑战在于设计能够抵抗多样化调度的CL方法,以确保模型可靠性。本文引入了CL的新概念——**schedule robustness**,并提出Schedule-Robust Continual Learning(SCROLL),一种满足此期望属性的强大基线方法。SCROLL在适当地预训练表示上训练线性分类器,随后仅使用回放数据进行模型适应。我们将SCROLL与CL的元学习表述相联系,并证明了其在调度鲁棒性方面的保证。经验上,所提出的方法显著优于现有的CL方法,并提供详尽的消融实验以突出其特性。
Keyword:
Continual learning
lifelong learning
meta-learning
representation learning
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:
18.6
论文数:
1.1K
被引数:
9.8W
机构
引用论文
Robust Meta-Representation Learning via Global Label Inference and Classification通过全局标签推理和分类的鲁棒元表示学习

