持续学习、终身学习、情景记忆、记忆模块论文总结——梯度情景记忆促进持续学习

Gradient Episodic Memory for Continual Learning

梯度情景记忆促进持续学习

1.相关信息:

1.论文目标:

针对大量任务、少量样本的持续学习,在MNIST和CIFAR-100数据集上实验

2.重要细节:

  • 前提假设:在每个任务内部,数据独立同分布
  • 数据表示:三元组:输入,任务标识符、输出
  • 前向迁移:学习一个新任务,对未来学习后续任务的影响
  • 后向迁移:学习一个新任务,对之前已经学习的任务的影响
  • 情景记忆模块:存储过去任务的数据对
  • 持续学习实现:所有任务共用参数,保证学习新任务更新参数时,对记忆中过去任务数据的损失不升高,从而解决灾难性遗忘
  • 衡量损失变化:用梯度方向夹角衡量,余弦值大于等于0为同向,不会影响过去任务的性能,具有良好的后向迁移能力
  • 梯度更新方向修正:选择与原参数更新最相近(用L2范数衡量距离),且满足衡量损失变化条件的投影
  • 二次规划及其对偶问题

3.启发与思考:

  • 增加任务描述符:更详细的任务描述。通过任务描述符衡量不同任务之间的相似性,推断任务之间的关系,清楚类似任务间的歧义
    • 相似度高的:学习新任务时可以加快学习速度,甚至实现0次学习
    • 相似度低的:重点关注后向迁移问题中,衡量损失变化,而不必衡量相似度高的任务的损失变化
  • 高级内存管理:构建过去任务的核心集
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

阿航626

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值