演化任务的极大极小前向和后向学习的性能保障

Oct, 2023

演化任务的极大极小前向和后向学习的性能保障

Minimax Forward and Backward Learning of Evolving Tasks with Performance Guarantees

Verónica Álvarez, Santiago Mazuelas, Jose A. Lozano

TL;DR该研究论文揭示了在一系列随时间推移而到达的分类任务中，通过利用所有任务的信息（前向和后向学习），可以实现少样本每个任务的准确分类，同时适应任务的演变，提供了显著的性能改进。

Abstract

For a sequence of classification tasks that arrive over time, it is common that tasks are evolving in the sense that consecutive tasks often have a higher similarity. The incremental learning of a growing sequenc

evolving tasks incremental learning classification tasks forward and backward learning performance improvement

发现论文，激发创造

跨任务特征对于类别增量学习的重要性

本文探讨了类增量学习中跨任务特征的学习对于基本重放策略性能的影响，提出了一个新的类增量学习遗忘度量，并通过实验结果发现未来类增量学习算法不仅要防止遗忘，还要提高跨任务特征质量和任务之间的知识转移，特别是在任务数据有限的情况下。

Jun, 2021

高维情况下极小化风险分类器的高效学习

本研究使用限制生成方法为高维数据提供可靠的分类算法，并选择有竞争力的特征。

Jun, 2023

类增量学习：基于图像分类的调查和性能评估

本论文全面调查了现有的针对图像分类的类增量学习方法，特别是在 13 种类增量方法上进行了广泛的实验评估，包括多个大规模图像分类数据集上的类增量方法比较，小范围和大范围域转移的研究，以及各种网络架构的比较。

Oct, 2020

课程学习促进累积回报最大化

本论文提出一种任务排序算法，旨在通过控制学习过程中的探索行为减少非最优行为，并通过实验表明在组合优化问题中能够实现显著的累积回报最大化性能，以及在微型能源网络的家庭控制器优化问题中实现验证。

Jun, 2019

视觉任务的类增量学习算法综合研究

该论文在构建一个统一的概念和实验框架中，研究了解决神经网络过度拟合的方法，描述了增量学习算法的六个重要属性，探讨了过去样本选择的效用，并提供了可重现性的开源存储库。

Nov, 2020

解决动态扩展架构下增量学习任务混淆问题

通过使用多层知识蒸馏等技术，原有的动态扩展架构被改进，被称作任务相关增量学习（TCIL），以改善现有的一些问题，比如任务冲突和遗忘问题，在 CIFAR100 和 ImageNet100 数据集上，实验证明 TCIL 显著提高了准确性。

Dec, 2022

自适应分类标准在任务增量连续学习中缓解灾难性遗忘

本文介绍了一种用于持续学习的有监督对比学习框架，旨在通过保存少量的数据和适应的分类准则来解决在学习新任务时可能产生的灾难性遗忘问题，实验表明其表现优异。

May, 2023

高效扩展和基于梯度的任务推断，用于无回放增量学习

我们提出了一个基于扩展的模型，用于持续学习，通过在先前任务的参数上增加模型来充分利用以前学到的信息，从而实现更好的知识传递。同时，我们还提出了一种强大的任务预测方法，通过使用熵加权的数据增强和伪标签来评估模型性能，并在各种数据集和架构设置中展示了最先进的结果。

Dec, 2023

演化多标记模糊分类器

本文提出了一种自适应、自进化的模糊多标记分类器，结合相关性算法、权重最小二乘法和 Lasso 正则化，实现递增式单遍分类，并提供在线主动学习策略和产品空间聚类，其中分类器更新所需的样本数减少了 90％，但几乎不会影响分类精度。

Mar, 2022

具有统计保证的增量学习 - to-learn

研究了如何针对来自未知元分布的任务类别推断出学习算法，并提出了学习正半定矩阵参数化的岭回归算法，通过应用随机策略来降低岭回归引入的经验错误，以实现在线学习，提高模型性能和泛化性能。

Mar, 2018