.png){kind=icon}
返回
The continuous learning algorithm with null space and eigenface-based orthogonal weight modification
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2025.127468.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
持续学习的挑战在于使深度神经网络能够在顺序任务学习中学习新知识，同时不遗忘先前获得的知识。正交权重修改（OWM）是近年来提出的一种重要的持续学习算法。CEig-OWM算法是一种基于特征脸输入空间表示采用正交权重修改的持续学习算法。为增强CEig-OWM算法保持学习知识的稳定性，本研究将零特征值向量的零空间引入到CEig-OWM算法中输入空间正交矩阵的计算中，从而得到基于零空间特征脸的正交权重修改（NEig-OWM）持续学习算法。在多种数据集上进行了广泛的持续学习比较实验，实验结果表明，在具有可比参数规模的算法中，NEig-OWM算法展现出最佳的持续学习性能。
Keyword:
Continual learning
Orthogonal weight modification
Null space
Eigenface
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
暂无机构信息
引用论文
Disturbance-immune weight sharing for neural architecture search用于神经结构搜索的干扰免疫权重共享.png)
NEURAL NETWORKS
OAAI
NEURAL NETWORKSIF6.3
OAAI分享收藏分享收藏 没有更多内容
没有更多内容