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
5.4. تعمیم یک شات
برای ارزیابی اینکه آیا شبکه رگرسیون آموختهشده میتواند به کلاسهای دیده نشده تعمیم یابد، یک آزمایش یادگیری تکشات را انجام میدهیم. در اینجا، مدل باید نسخههای تبدیلشده اشکالی را که قبلاً با آنها مواجه نشده بود، عادی و طبقهبندی میکرد.
از آنجایی که برچسب کلاس برگشتی به نمونههای موجود در بافر بستگی دارد، ما دو نوع آزمایش را در نظر میگیریم که مربوط به یادگیری تعمیمیافته و استاندارد تکشات است. در…