论文阅读：Task-Free Continual Learning

Task-Free Continual Learning

来自CVPR2019，比利时鲁汶大学 。

当前continual learning常假设，一次一个任务，所有当前数据可用，之前数据不可用。这个硬任务边界条件现实不常满足。

本文提出的系统学习流数据，分布不断变化，不同任务间没有区分。本文方法基于Memory Aware Synapses，提供了以下协议将其转化为online的：

1. 何时 更新重要权重
2. 更新时 用哪个数据
3. 如何在更新时 累积权重重要性

该模型在以下任务上的实验结果展现了有效性：(自)监督人脸识别 ，避免冲撞的机器人。

1.Introduction

机器学习训练与测试阶段是界限分明的，假设了一个静态的世界，其中数据分布不会改变。这种强划分有助于开发算法，但也加上了限制。

受生物系统启发，IL（也可以叫CL、LL）关注打破训练和测试之间的屏障。这个系统累积知识，准确率和适用范围随时间增加。现实中，数据可能因存储和隐私原因不能保留，而只用后来的数据会引入偏差（遗忘）。

像那种一个个依次任务数据可用的学习，本文称作task-based sequential learning，本文目标在于克服这种对硬任务边界的需求。我们探索task-based方法如何普遍地转化为online方法——一个决定何时巩固知识的协议；难样本buffer——从强化学习的experience replay获得启发，一个小得多的replay buffers。

task-based方法一般学习分类任务，为新类在输出层加分类头。与之相反，我们的方法固定输出：人脸识别中我们通过嵌入识别；机器人中，不是输出标签变化，而是环境变化。此两种任务，数据以流来处理，不是i.i.d，有样本不均衡问题。

本文贡献：1.第一个扩展task-based to在线持续学习；2.protocols t