這篇論文來自 2021 AAAI
屬於小樣本增量學習
Relation原因
具體而言,IKD 方法僅約束原始網絡的響應與在新任務中學習到的單個示例的響應之間的差異。 結果,對於許多人工智能應用(例如圖像分類和類增量學習)很重要的點之間的相互關係不可避免地被忽略了。
顯然,樣本之間存在大量的相關信息。 例如,貓通常更像狗,而不是汽車。 這種關係可以作為學習順序任務的有用先驗。 因此,它提供了一種更有效的方法,不僅可以約束特徵空間中樣本的位置,還可以約束它們在few shot class incremetnal learning問題中的關係。
構建ERG, examplar挑選
Reason:
However, the randomly-selected exemplars can not well represent data of different classes from the old network in the FSCIL scenarios.
設定每個