《表4 多任务持续学习方法总结》
多任务持续学习研究的是从无限的数据流中学习知识的问题,目标是将学习到的知识进行扩展,应用于未来的学习中,如图7所示,多任务持续学习有广阔的应用场景。多任务持续学习结构如图8所示。数据流中不同阶段的数据样本分别属于不同的任务,比如飞机船舶的检测任务、地物要素的分类任务等。如表4所示,在持续学习模型训练阶段,样本集只包含当前任务样本,而先前任务的样本不可见;在持续学习模型推理阶段,要求模型对先前任务和当前任务均保持良好的预测精度。存在的方法主要分为两类:基于样本数据重现的方法以及基于模型结构扩展的方法。前者通过储存或者拟合先前任务的训练数据避免灾难性遗忘,后者主要是调整模型的参数或者结构,保证网络的持续学习能力。
图表编号 | XD00159726400 严禁用于非法目的 |
---|---|
绘制时间 | 2020.09.16 |
作者 | 孙显、梁伟、刁文辉、曹志颖、冯瑛超、王冰、付琨 |
绘制单位 | 中国科学院空天信息创新研究院、中国科学院网络信息体系重点实验室、中国科学院大学、中国科学院空天信息创新研究院、中国科学院网络信息体系重点实验室、中国科学院大学、中国科学院大学电子电气与通信工程学院、中国科学院空天信息创新研究院、中国科学院网络信息体系重点实验室、中国科学院空天信息创新研究院、中国科学院网络信息体系重点实验室、中国科学院大学、中国科学院大学电子电气与通信工程学院、中国科学院空天信息创新研究院、中国科学院网络信息体系重点实验室、中国科学院大学、中国科学院大学电子电气与通信工程学院、中国科学院空 |
更多格式 | 高清、无水印(增值服务) |