连续不变性学习
该研究讨论了在医疗应用中跨越不同年龄阶段对于疾病分析和预测的持续化索引的域自适应问题。论文提出了一种新方法,结合传统的对抗性适应和一个能建模编码条件下的域索引分布的判别器,将域索引使用于连续范围的域自适应。实验结果表明,该方法在合成和现实世界的医学数据集上的表现优于其他领先的自适应方法。
Jul, 2020
本文提出一种基于 EM 框架的领域感知的持续学习方法来应对在增量学习中类分布和域分布的变化问题,使用基于 von Mises-Fisher 混合模型的灵活类表示来捕获类内结构,采用内部平衡和交叉类数据的处理方式来设计双层平衡记忆,并结合蒸馏损失实现更好的稳定性和可塑性权衡。经过大量实验,表明该方法在三个基准数据集上均优于现有方法。
Apr, 2022
本研究提出了一种名为交叉领域连续学习(CDCL)的新方法,在一个紧凑的卷积网络中结合了跨任务关注机制,实现了对先前任务特征的对齐,并在相关领域之间进行了无监督的交叉领域学习(UDA)。通过使用一种任务内特定的伪标签方法,确保了有标签和无标签样本的准确输入对,从而增强了学习过程。本方法在公开的 UDA 数据集上进行了广泛实验,显示出在交叉领域连续学习挑战上的良好性能。此外,本研究提出了增量思想,为该领域的进展做出了贡献。
Feb, 2024
本文研究了挑战性的连续学习(CL)设置下的类增量学习(CIL),证明了 CIL 是可学的,并基于理论提出了一种新的 CIL 算法,并通过实验结果证明了其有效性。
Jun, 2023
本文提出了连续域自适应(CDA)问题,并提出了一种新颖的方法作为 CDA 基线。该方法通过交替训练策略、连续性约束和域特定队列等手段,在多个域之间降低差异性并泛化到未见目标域,从而在 CDA 问题中实现了最优性能。
Aug, 2022
本文提出了一种名为 IRCL 的伪排练式学习方法,其中通过将类不变表示与条件生成模型分离并与类特定表示共同使用,以学习顺序任务。该方法证明了在两个著名的连续学习基准上都比基于正则化和基于伪排练的方法更好,并成功地解决了灾难性遗忘问题。
Jan, 2021
本文提出了一种名为 TransLATE 的通用对抗自编码器框架,通过最小化连续时间戳之间的潜在特征空间中目标域的分类误差和 C - 散度来建模具有时间演变目标域的连续转移学习设置。
Jun, 2020
研究 AI 模型在连续领域适应中所遇到的领域转换和灾难性遗忘等问题,并提出了基于 Gradient Regularized Contrastive Learning 的方法来解决这些问题,实验结果表明该方法在 Digits, DomainNet and Office-Caltech 基准测试中表现优越。
Jul, 2020