Jun, 2019

机器人的持续学习：定义、框架、学习策略、机遇和挑战

PDF
TL;DR这篇论文介绍了连续学习的概念和机器学习中面临的挑战，提出了在自主体或机器人中使用连续学习以适应环境和优化学习过程的方法，并介绍了现有的基准和度量标准，并提出了一种框架来评估这些方法的有效性。
continual learningmachine learningautonomous agentroboticsstate of the art
发现论文，激发创造
  • Continual World：一个用于连续强化学习的机器人基准测试

    提出了 Continual World 基准，并进行了基于机器人任务的方法评估，该评估针对 Continual learning 中的前向迁移和 Catastrophic forgetting 进行优化，以提高方法在 RL 中的性能。

    May, 2021

  • 自主机器人的持续学习：基于原型的方法

    未来的自主智能机器人面临着从非重复稀疏数据流中学习、检测新颖性并具备无监督学习能力的挑战。本文通过提出一种名为 Continually Learning Prototypes (CLP) 的基于原型的方法，解决了这一挑战。CLP 在 FS-OCL 学习中表现出卓越的结果，在检测新颖性和无监督学习方面达到强基线水平。

    Mar, 2024

  • 持续学习：应用与未来发展

    连续学习是机器学习的一个子领域，本文调查了连续学习研究中的内存受限设置、未解决的问题以及未来的研究方向。

    Nov, 2023

  • 连续学习的全面调查：理论，方法与应用

    本研究全面综述了不断学习的基本设置，理论基础，代表性方法和实际应用，总结了不断学习的目标，并通过当前趋势，跨方向前景和跨学科与神经科学的联系开展了深入讨论。

    Jan, 2023

  • 以计算有限的强化学习为基础的持续学习

    一个高效地累积知识、在长期生命周期中不断发展更复杂技能的代理机构，可以推动人工智能能力的前沿。本文概述和形式化了持续学习的概念，引入了一个框架和一套工具来激发进一步的研究。

    Jul, 2023

  • 通过人机交互进行连续学习 —— 重复互动中人类对连续学习机器人的认知

    本论文研究了如何将基于连续学习模型的目标识别系统与移动机器人 Fetch 结合起来，以便使机器人能够在与人类用户的多个交互中继续学习。通过与 60 名参与者进行的实验，作者发现，如果机器人忘记了之前学过的目标，参与者对于连续学习机器人的信任、能力和可用性的感知将会明显降低。然而，进行 2-3 次教学和测试任务的任务负荷并不随会话数的增加而增加。此外，本研究发现，目前的连续学习模型在机器人与人类参与者交互时的可靠性较低。

    May, 2023

  • 神经网络中的持续学习

    通过研究任务增量设置和在线连续设置，本文提出了一些方法以解决神经网络的严重遗忘问题，并在不同的基准测试和学习序列上进行了评估，显示了连续学习技术现在的发展和应用面临的挑战。

    Oct, 2019

  • 人类用户如何在不断的交互中教授连续学习机器人？

    本文研究了人类教授机器人学习的方式及学习机器人需要如何快速学习新信息，在理解每个用户的教学风格方面个性化改进。对 200 个会话进行研究，结果表明教学者的风格存在显著变异，需要进行个性化的适应。同时，在实际运用中，常规设备测试机器学习无法代替真实用户的操作方法。

    Jun, 2023

  • 推动神经信息检索中的持续终身学习：定义、数据集、框架和实证评估

    连续学习模型的任务制定和学习策略在神经信息检索中的有效性及应对主题变化和数据增强的影响进行了概括和评估。

    Aug, 2023

  • 智慧城市的持续学习：一项综述调查

    在数字化的现代城市中，大量的数据和强大的计算资源促进了智能模型的快速更新，持续学习是一种新颖的机器学习范 Paradigm，它不断更新模型以适应不断变化的环境，我们的调查综述了在智能城市开发中广泛使用的持续学习方法，内容包括方法学方面、应用方面和挑战方面。

    Apr, 2024