基于骨骼的动作识别的连续图学习敏感性基准测试

Jan, 2024

基于骨骼的动作识别的连续图学习敏感性基准测试

Benchmarking Sensitivity of Continual Graph Learning for Skeleton-Based Action Recognition

Wei Wei, Tom De Schepper, Kevin Mets

TL;DR连续学习是一个研究领域，旨在构建能够在不重新训练的情况下连续积累不同任务知识的机器学习模型。本文提出了第一个用于时空图的连续图学习基准，并将其用于评估在这一新领域中著名的连续图学习方法。通过标准性能指标的基准测试，我们研究了连续图学习方法的类和任务顺序敏感性，以及带有不同宽度和深度的骨干 GNN 架构的连续图学习方法的架构敏感性。我们发现，任务顺序稳健的方法仍可能对类别顺序敏感，并观察到与先前经验观察相矛盾的结果，这些观察促使我们对连续学习的架构敏感性产生了新的认识。

Abstract

continual learning (CL) is the research field that aims to build machine learning models that can accumulate knowledge continuously over different tasks without retraining from scratch. Previous studies have shown that pre-training →

continual learning graph neural networks continual graph learning benchmark sensitivity

发现论文，激发创造

持续图学习：概览

本文调研了图结构数据上持续学习的问题，并介绍了持续图学习的基本概念及其面临的挑战，分析了最新的面向持续图学习问题的方法，并探讨了现有方法的主要问题和可能的解决方案以及持续图学习的未来研究方向和应用前景。

Jan, 2023

图关系感知的持续学习

连续图学习研究了从无限的图数据流中学习的问题，将历史知识整合并推广到未来的任务。在当前只有当前的图数据可用。本文提出了一种关系感知自适应模型，并说明了图边缘后面的潜在关系可以被归因为不变因素。通过实验证明，该模型在 CitationNet、OGBN-arxiv 和 TWITCH 数据集上相对于现有方法分别提高了 2.2%、6.9% 和 6.6% 的准确度。

Aug, 2023

基于强化的关系图持续学习

本论文提出了一种结构学习策略和参数学习策略相结合的图像持续学习方法，并采用强化学习驱动结构学习策略，Dark Experience 回放的概念来应对灾难性遗忘问题。在图持续学习基准问题中得到了验证，并在两个设置中都表现出比最近发布的作品更好的性能。

Sep, 2022

图上的持续学习：挑战、解决方案和机遇

连续图学习领域的系统综述，对连续图学习算法的任务设置、模型设计和应用进行分类和比较，分析其与传统连续学习技术的适用性以及存在的挑战和未来方向。

Feb, 2024

基于图像对比学习的基于骨架的动作识别

本文提出了一个骨架动作识别的图形对比学习框架（SkeletonGCL）来探究跨所有序列的全局上下文，在多个上下文尺度上进行图对比学习，从而建立了一个新的训练范式，并可以无缝地融合到当前 GCNs 中，在 NTU60，NTU120 和 NW-UCLA 基准上获得了一致的改进。

Jan, 2023

BeGIN: 图连续学习的广泛基准场景和易于使用的框架

本文介绍了一种针对图数据的持续学习方法，提供了标准的增量设置和基准测试场景，并使用 BeGin 框架对七种图像 CL 方法进行评估，其组合情况是最新基准测试的三倍。

Nov, 2022

CLoG: 图像生成模型的持续学习基准测试

在人工智能中，持续学习（Continual Learning）是一个重要的挑战，旨在模拟人类不断获得知识和技能的能力。本研究将关注点从基于分类任务的持续学习转移到生成模型的持续学习（CLoG）。研究通过对比传统的基于分类任务的持续学习，系统性地识别了 CLoG 所面临的独特挑战。研究在生成任务中引入了基于回放、正则化和参数隔离等三种现有的持续学习方法，并提出了广泛任务覆盖和多样性的 CLoG 基准。通过基准测试和结果分析，揭示了有价值的见解，对未来的 CLoG 方法的开发具有重要意义。此外，作者还公开了一个代码库，旨在促进 CLoG 的基准测试和实验，从而在终身学习范 paradigma 内为下一代 AI 生成内容（AIGC）开辟新的道路。

Jun, 2024

从 MNIST 到 ImageNet，再回去：连续课程学习的基准测试

本研究针对机器学习中的不断学习提出了两个新的基准，该基准涉及来自六个图像数据集的多个异构任务，其目的是为了更好地评估当前最先进的 CL 策略，并显示出当前 CL 模型在真实世界场景中表现较差的能力，高水平遗忘并限制了课程任务顺序。

Mar, 2023

在图序列上连续学习 -- 动力系统方法

本文提出了一种适应性动态规划的视角来处理图形的 Continual learning 问题，建立起一种学习新任务和记忆以前学习任务之间的两人博弈模型，并且通过在多个图形基准下的综合消融研究证明了其表现的最先进性。

May, 2023

用于分析持续学习者的新度量标准

在连续流数据的情景中，深度神经网络在解决多个分类任务时，面临着保持旧任务知识同时学习新任务的挑战。本研究分析了当前度量方法的局限性，发现了新任务引起的遗忘问题，并提出了一套考虑任务难度增加的新度量方法，实验证明这些度量方法能够提供有关模型在连续学习环境中平衡稳定性和可塑性的新见解。

Sep, 2023