新的类别增量学习方法使用潜在世界模型进行无记忆回放

研究人员开发了一种新颖的框架，称为原型潜在世界模型回放（Prototype Latent World Model Replay），用于类别增量学习。该方法通过将旧类别信息存储为稳定隐藏状态上的分布来解决在无法访问先前类别原始数据的情况下学习新类别的挑战。一个冻结的、经过ImageNet预训练的编码器将图像映射到这些潜在状态，然后由每个类别的原型中心分布进行总结。该系统从该模型中采样旧的潜在状态，以与新类别特征一起训练一个轻量级适配器和分类器，显著提高了在Split CIFAR-100等数据集上各种增量学习场景的性能。 AI

影响 引入了一种无记忆的类别增量学习方法，有可能在无需存储原始数据的情况下实现更高效的模型更新。

排序理由 关于类别增量学习新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• ImageNet
• Inc10
• Inc20
• Inc5
• Prototype Latent World Model Replay
• Split-CIFAR-100

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →