نویسندگان:
(1) سباستین دزیادزیو، دانشگاه توبینگن ([email protected])
(2) Çagatay Yıldız، دانشگاه توبینگن;
(3) Gido M. van de Ven, KU Leuven;
(4) Tomasz Trzcinski، IDEAS NCBR، دانشگاه صنعتی ورشو، Tooploox;
(5) Tinne Tuytelaars، KU Leuven;
(6) ماتیاس بثگه، دانشگاه توبینگن.
جدول پیوندها
چکیده و 1. مقدمه
2. دو مشکل در رویکرد فعلی به یادگیری مداوم کلاسی-افزاینده
3. روش ها و 3.1. dSprites بی نهایت
3.2. یادگیری از هم گسسته
4. کارهای مرتبط
4.1. یادگیری مستمر و 4.2. معیار یادگیری مستمر
5. آزمایشات
5.1. روش های منظم سازی و 5.2. روش های مبتنی بر پخش
5.3. آیا ما به معادل سازی نیاز داریم؟
5.4. تعمیم تک شات و 5.5. طبقه بندی مجموعه باز
5.6. آنلاین در مقابل آفلاین
نتیجه گیری، قدردانی و مراجع
مواد تکمیلی
5.6. آنلاین در مقابل آفلاین
در تمام آزمایشهای قبلی، ما روش خود را در حالت دستهای به کار بردیم: چندین پاس آموزشی روی دادهها برای هر کار انجام دادیم. با این حال، یادگیری کارآمد از جریان داده ها ممکن است مستلزم مشاهده هر نمونه آموزشی فقط یک بار باشد تا مطمئن شوید که محاسبات به یک گلوگاه تبدیل نمی شود. به همین دلیل است که ما روش خود را در رژیم یادگیری آنلاین آزمایش می کنیم و آن را با دو سناریو یادگیری دسته ای مقایسه می کنیم. نتایج نشان داده شده است …