两篇新的研究论文介绍了用于图像分类的无监督类别增量学习的新方法。PatchAdaNet 利用自动编码器在不存储旧数据的情况下持续更新特征表示,采用全局特征质心和弹性权重巩固来防止漂移。另一方面,RetroCBM 专注于保留将视觉特征与视觉-语言模型嵌入空间联系起来的统计数据,从而在旧训练样本被丢弃后仍能监督新概念。这两种方法都旨在提高模型在顺序学习场景中的性能和可解释性。 AI
影响 这些论文介绍了增量学习的新技术,有可能提高 AI 模型在动态环境中的效率和适应性。
排序理由 两篇在 arXiv 上发表的学术论文,介绍了类别增量学习的新方法。
- CIFAR-10
- CIFAR-100
- CNN
- Continual concept bottleneck models
- Elastic weight consolidation
- Exemplar-free class-incremental learning
- Global Feature Centroid
- miniImageNet
- PatchAdaNet
- RetroCBM
- Tikhonov regularization
- vision-language model
- vision transformer
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →