研究人员在持续学习模型中发现了一种称为“路由漂移”的现象,其中样本被错误地路由到错误的任务块,导致在特定任务学习中准确率很高,但在全局类增量学习中表现不佳。这个问题因回放缓冲区小而加剧,这会掩盖问题。该研究提出了一种名为可靠性校准路由(RCR)的后验分类器,它结合了标准化对齐和径向合理性,以纠正类局部证据,从而在不重新训练模型的情况下提高全局路由准确性。 AI
影响 识别出持续学习模型中的一种特定故障模式,有望提高模型在动态环境中的鲁棒性和准确性。
排序理由 学术论文,详细介绍了持续学习中的一种新故障模式及提出的解决方案。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →