.png){kind=icon}
返回
Spatiotemporal multi-view continual dictionary learning with graph diffusion
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2025.113388.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
持续学习已成为人工智能领域的一个重要分支，旨在模拟人类从时序数据中学习的能力，而不会导致灾难性遗忘。然而，传统的持续学习方法在很大程度上忽视了跨多视图的空间知识保留需求，仅主要关注时间维度。这种疏忽在从不同空间视图中持续捕获极少标注数据的情况下尤为显著。为解决这些问题，我们提出了一种有效的空间-时间知识保留（STKR）策略。该策略整合了标签传播、时间持续学习和空间图扩散，并采用可学习字典来增强对缺乏标注的多视图数据流的处理。在STKR中，我们提出了视图特定知识保留（VSKR）机制和持续成对重演排序（CPRR）策略。CPRR策略确保在一个可适应字典内维护一个紧凑的标记数据仓库。VSKR策略通过标签传播观察广泛未标记数据池中的相关性，确保字典可以调整，从而避免昂贵的标注需求。此外，可学习字典能够持续学习判别特征并从精简数据中吸收新知识，以解决灾难性遗忘问题。另外，我们整合了跨视图图扩散，以最小化多视图之间的空间知识保留差异。这种整合旨在确保知识保留不仅在时间上，而且在空间上都具有鲁棒性，保持知识保存的一致性和连贯性，适应不同的空间视图。大量实验验证了STKR方法在多视图持续学习任务中的有效性。
Keyword:
Multi-view learning
Continual learning
Dictionary learning
期刊
K
IF:
7.6
论文数:
1.2W
被引数:
4.5W
机构
引用论文
.png){kind=icon}
Auto-Weighted Multi-View Learning for Image Clustering and Semi-Supervised Classification用于图像聚类和半监督分类的自动加权多视图学习
PREAI
分享收藏CLIP-ReID: Exploiting Vision-Language Model for Image Re-identification without Concrete Text Labels
OAAI
OAAI分享收藏
查看更多内容