无限人类学习：间隔重复的最佳调度

KDDFeb, 2016

无限人类学习：间隔重复的最佳调度

Unbounded Human Learning: Optimal Scheduling for Spaced Repetition

Siddharth Reddy, Igor Labutov, Siddhartha Banerjee, Thorsten Joachims

TL;DR使用间隔重复系统的日志数据，针对人类学习中重复学习的作用，在 Leitner 系统中优化复习进度，通过机械土耳其实验验证新物品引入的速率对学习结果的影响等方面进行研究。

Abstract

In the study of human learning, there is broad evidence that our ability to retain information improves with repeated exposure and decays with delay since last exposure. This plays a crucial role in the design of educat

human learning educational software spaced repetition queueing model learning outcomes

发现论文，激发创造

DAS3H: 建模学生学习和遗忘以优化技能分布式练习的调度

文章研究了基于多技能的记忆优化问题，并提出了一种适用于该问题的学生学习和遗忘模型 DAS3H，该模型结合了过去练习对技能的时空分布的考虑，能更好地预测学生表现并提高学习效果。

May, 2019

基于召回概率的自适应学习优先级预测

应用机器学习技术中的多元逻辑回归和循环神经网络，提出了可个性化推荐的学习方案，可以帮助学生更好地掌握知识点和时间安排。

Feb, 2018

谨慎行事：规模化持续学习的最佳检索

通过研究回放方法在连续学习中的应用，本文提出了一种评估选择性检索策略的框架，并评估了多种策略的表现，并提出了防止重放重复的策略，探索是否可以通过学习低损失值的新样本来避免回放。

Apr, 2024

提升连续学习中的回放样本选择和存储，减少遗忘

通过对常用的蓄水池采样方法与其他替代人群策略进行比较，本研究旨在解决连续学习中选择最具信息价值样本和确定最优存储样本数量的问题，并提供了相关的详细分析。

Aug, 2023

长序列记忆中的重复学习技术

本文提出了一种名为 Rehearsal Memory (RM) 的方法，通过自监督的历史抽样式重复训练，设计了回忆和熟悉度等训练任务来提高对长序列的记忆，为了让记忆关注重要信息，设计了历史抽样器来选择有用的信息片段，通过 bAbI 任务、文本 / 视频问答和推荐等多种测试表明该方法大大提高了长序列推理的效率和精度。

Jun, 2021

基于图的持续学习

本文提出通过增加可学习的随机图来维护和重放以前样本的小型陈情表记忆，来解决非静态分布中可用数据的持续学习问题的方法。在多个基准数据集上的实证结果表明，该模型持续胜过最近提出的基线方法，用于无任务的持续学习。

Jul, 2020

选择性经验回放用于终身学习

本文研究通过经验重放的方法，利用 “distribution matching” 算法来防止深度神经网络多任务学习中的严重忘却问题。实验探索了不同体验选择策略的优缺点，结果表明分布匹配算法可以成功避免严重忘却问题，并且在所有测试领域中始终表现最佳。同时我们发现，当部分任务的重要性比其他任务更高时，最大化状态空间覆盖率是有福利的。

Feb, 2018

在重复的情况下进行连续学习

这篇研究报告总结了 CVPR 2023 年的 CLVision 挑战赛，重点讨论了类增量学习中的数据重复问题，介绍了三个解决方案，实验证明基于模块集成的多版本策略对于利用数据流中的重复性进行持续学习是有效的。该报告强调了通过在数据流中利用重复性来促进创新策略设计的转变潜力。

May, 2024

面向持续终身学习的可扩展回忆

本文提出一种新的可扩展体系结构和训练算法解决 Deep Learning 在 lifelong learning 场景中面临的挑战，尤其是在训练时间和内存限制下存储经验的问题，并在性能评估中取得了显著提升。

Nov, 2017

最大干扰检索的在线连续学习

该论文探讨了在机器学习系统中，面对一个不断涌现的数据流的情况下，通过回放的方法来控制采样记忆，从而提供全新的方案来解决单通道数据训练面临的挑战，并通过多个标准基准测试，达到了与或超过现有最先进技术的表现。

Aug, 2019