作者:Gido M. van de Ven, Hava T. Siegelmann, Andreas S. Tolias
solution1:不断学习以前的例子(效率低)
solution2:以前学习的神经网络模型生成重放数据
task-incremental learning (Task-IL):任务增量学习,需要人为创造场景,区分特定的类别。先区分猫狗和牛羊,再区分猫和羊。
class-incremental learning (Class-IL) :类别增量学习,区分不同学习阶段中的类别。(区分动物失败了)
本文目的:首先确认replay对Class-IL的重要性。在MNIST数据集上的实验,突出了重放的惊人效率和鲁棒性:重放几个或低质量的样本已经足够了。然而,我们也发现将GR扩展到更复杂的问题并不简单。为了解决这个问题,我们提出了一种新的GR变体,其中内部或隐藏的表示被重放,这些表示是由网络自己的、上下文调制的反馈连接生成的。
GR模型:一个主模型作为分类器,一个单独的生成模型来生成要replay的数据,使用标准的可变自动编码器(VAE)作为generator。VAE如下图。(即生成许多生成样本)
GR模型如下:
Task-IL:分为5个task,每个task进行二分类
Class-IL:直接十分类(LwF,EWC,SI failed)
split MINST:按顺序排列的MINST
每一次迭代都是基于128个当前样本和128个重放样本的小批量(在之前的任务中划分)。表明GR不是对所有先前的样本再训练。
为了测试重放的数量是否可以进一步减少,我们运行了额外的实验。改变每个小批量的重放样本的数量。我们发现GR的性能相对稳健(图4a中的红线):即使每个小批量只有一个重放样本(即当前任务中每128个样本对应一个重放样本)。
GR在TaskIL场景中的表现也很有竞争力,并且在Class-IL场景中优于所有非重放方法。
我们改变了用于产生重放的VAE模型中隐藏单元的数量。将VAE的隐藏层减少到只有10个单位会导致低质量的样本(图4c左),但仅适度影响GR的性能(图4b)。
重新学习比不忘记难很多。在该实验中,我们在对每个新任务进行训练之前(但在生成要重放的样本之后)重新初始化了网络的参数,因此网络必须从头开始不断地重新学习所有以前的任务(图4a、b中的棕色线条)。在实验中,仅重放几个或低质量的例子确实不足以实现同样强大的性能。
permuted MNIST:所有像素被重新排列(图5a)
Domain-IL:域增量学习
模型事先不知道采用10种排列的哪一种。当排列方式数增加,GR表现得不好。
100排列后:SI:82%,online EWC:70%,SI+XdG:95%
CIFAR-100:分成10个task,每个task中有10个class
难度因场景而异,但在Task-IL和Class-IL中GR表现都不如其他方法。(重放质量过低)
训练更好的generator,生成高质量replay样本的计算成本过高。
将VAE(海马体)置于主模型(皮层)顶部,在encoder上增加softmax分类器。
将VAE的标准正态分布替换成高斯混合模型。可以replay指定的类的样本,类内部更好的分离。
根据应该执行的任务,在每个隐藏层中随机选择不同的神经元子集。
重放先前学习的类的表示,不是一直重放到输入级别,而是在内部或“隐藏级别”重放它们。
我们在CIFAR-10上预处理了模型的卷积层,与CIFAR-100相比,该数据集包含相似但不重叠的图像。在CIFAR-100上的增量训练期间,这些卷积层被冻结,我们仅通过完全连接的层进行重放。为了公平比较,所有其他方法也使用预训练卷积层用于CIFAR-100实验。
由于split和permuted MNIST没有使用卷积层,所以在这些实验中没有使用预训练和内部重放。
我们没有根据主模型将生成的数据标记为最可能的类别(“硬目标”),而是用所有可能类别的预测概率(“软目标”)来标记它们;
图9c可以看出在相似程度上提高了生成样本的质量和多样性。曲线向上–Precision,曲线向右–Recall。
softmax输出层执行的标准化只考虑活动节点。也就是说,由神经网络预测的输入x属于c类的条件概率被计算为:( zc(x)是c类的非标准化概率,分母是所有活动神经元概率和)
网络参数θ 用 mini-batch 梯度下降方法获得。
特定任务的损失Ltotal使用当前任务的multi-class cross-entropy classification loss 表示:
对每个任务进行2000次(split MNIST和permuted MNIST)或5000次(split CIFAR-100)迭代训练,学习率为0.001(split MNIST)或0.0001(permuted MNIST和split CIFAR-100)。小批量大小被设置为128(split MNIST)或256(permuted MNIST和split CIFAR-100),这意味着在每次迭代中,当前被计算为当前任务中许多样本的平均值。如果使用重播,则使用相同数量的重播样本来计算Lreplay
Ntasks-so-far为模型到目前为止遇到的tasks数
网络结构
encoder和decoder都是具有两个隐藏层的完全连接的网络,这两个隐藏层包含400(split MNIST)或2000(permuted MNIST)个具有ReLU非线性的单元;对于split CIFAR-100,编码器由五个预先训练的卷积层组成,后面是两个包含2000个ReLU单元的全连接层,解码器由两个包含2000个ReLU单元的全连接层组成,后面是五个去卷积或转置卷积层。随机潜变量层z总是具有100个高斯单位(参数为平均值μ(x)和标准偏差σ(x),是encoder网络qϕ输入x的输出),并且先验是标准正态分布。
损失函数
训练VAE的网络参数ϕ与ψ,通过最小化输入x的样本loss:
这是潜在变量z的后验分布:
这是潜在变量z的先验分布:
DKL表示KL散度,在信息论中,相对熵等价于两个概率分布的信息熵的差值,若其中一个概率分布为真实分布,另一个为理论(拟合)分布,则此时相对熵等于交叉熵与真实分布的信息熵之差,表示使用理论分布拟合真实分布时产生的信息损耗 :
潜在变量正则化项Llatent可以计算:
为了简化重构项Lrecon,我们使解码器网络pψ的输出确定,这是VAE常见的修改。我们将重建项重新定义为原始像素值和解码像素值之间的预期二进制交叉熵:
z(x)的替换叫做’ reparameterization trick ’重新参数化技巧,使得Lrecon的Monte Carlo estimate估计对ϕ可微。
为了训练生成器,使用了与训练主模型相同的超参数(即学习率、优化器、迭代、批量)。与主模型相似,生成器也是用重放训练的。
从潜在变量z采样,main model标记replay的label。
给replay样本打软标签(vector属于各类的概率),temperature T越高,标签越平滑(softer),在softmax是z(x)=z(x)/T,θ是T-1结束后的参数。
标准loss不能计算软标签,所以最小化当前模型的预测概率和软标签的交叉熵。
LC分类交叉熵,LG生成loss,LD蒸馏loss,以下为当前任务loss和重放数据loss。
生成特定类的replay
hard target closed-form
soft target rewritten:
每个隐藏层有x%的节点被激活,每个task或者class都有一个mask,生成特定类的replay就使用对应的mask,否则就随机选一个mask
仅针对于有卷积层的CIFAR-100,卷积层为预训练的。
生成部分的重建loss:the expected squared error between the hidden activations of the original input and the corresponding hidden activations after decoding:
SI & FID & precision & recall
文章浏览阅读3.2k次。本文研究全球与中国市场分布式光纤传感器的发展现状及未来发展趋势,分别从生产和消费的角度分析分布式光纤传感器的主要生产地区、主要消费地区以及主要的生产商。重点分析全球与中国市场的主要厂商产品特点、产品规格、不同规格产品的价格、产量、产值及全球和中国市场主要生产商的市场份额。主要生产商包括:FISO TechnologiesBrugg KabelSensor HighwayOmnisensAFL GlobalQinetiQ GroupLockheed MartinOSENSA Innovati_预计2026年中国分布式传感器市场规模有多大
文章浏览阅读1.1k次,点赞2次,收藏12次。常用组合逻辑电路结构——为IC设计的延时估计铺垫学习目的:估计模块间的delay,确保写的代码的timing 综合能给到多少HZ,以满足需求!_基4布斯算法代码
文章浏览阅读3.3k次,点赞3次,收藏5次。OpenAI Manager助手(基于SpringBoot和Vue)_chatgpt网页版
文章浏览阅读2.2k次。USACO自1992年举办,到目前为止已经举办了27届,目的是为了帮助美国信息学国家队选拔IOI的队员,目前逐渐发展为全球热门的线上赛事,成为美国大学申请条件下,含金量相当高的官方竞赛。USACO的比赛成绩可以助力计算机专业留学,越来越多的学生进入了康奈尔,麻省理工,普林斯顿,哈佛和耶鲁等大学,这些同学的共同点是他们都参加了美国计算机科学竞赛(USACO),并且取得过非常好的成绩。适合参赛人群USACO适合国内在读学生有意向申请美国大学的或者想锻炼自己编程能力的同学,高三学生也可以参加12月的第_usaco可以多次提交吗
文章浏览阅读394次。1.1 存储程序1.2 创建存储过程1.3 创建自定义函数1.3.1 示例1.4 自定义函数和存储过程的区别1.5 变量的使用1.6 定义条件和处理程序1.6.1 定义条件1.6.1.1 示例1.6.2 定义处理程序1.6.2.1 示例1.7 光标的使用1.7.1 声明光标1.7.2 打开光标1.7.3 使用光标1.7.4 关闭光标1.8 流程控制的使用1.8.1 IF语句1.8.2 CASE语句1.8.3 LOOP语句1.8.4 LEAVE语句1.8.5 ITERATE语句1.8.6 REPEAT语句。_mysql自定义函数和存储过程
文章浏览阅读188次。半导体二极管——集成电路最小组成单元。_本征半导体电流为0
文章浏览阅读2.8k次,点赞3次,收藏18次。游戏水面特效实现方式太多。咱们这边介绍的是一最简单的UV动画(无顶点位移),整个mesh由4个顶点构成。实现了水面效果(左图),不动代码稍微修改下参数和贴图可以实现岩浆效果(右图)。有要思路是1,uv按时间去做正弦波移动2,在1的基础上加个凹凸图混合uv3,在1、2的基础上加个水流方向4,加上对雾效的支持,如没必要请自行删除雾效代码(把包含fog的几行代码删除)S..._unity 岩浆shader
文章浏览阅读5k次。广义线性模型是线性模型的扩展,它通过连接函数建立响应变量的数学期望值与线性组合的预测变量之间的关系。广义线性模型拟合的形式为:其中g(μY)是条件均值的函数(称为连接函数)。另外,你可放松Y为正态分布的假设,改为Y 服从指数分布族中的一种分布即可。设定好连接函数和概率分布后,便可以通过最大似然估计的多次迭代推导出各参数值。在大部分情况下,线性模型就可以通过一系列连续型或类别型预测变量来预测正态分布的响应变量的工作。但是,有时候我们要进行非正态因变量的分析,例如:(1)类别型.._广义线性回归模型
文章浏览阅读69次。环境保护、 保护地球、 校园环保、垃圾分类、绿色家园、等网站的设计与制作。 总结了一些学生网页制作的经验:一般的网页需要融入以下知识点:div+css布局、浮动、定位、高级css、表格、表单及验证、js轮播图、音频 视频 Flash的应用、ul li、下拉导航栏、鼠标划过效果等知识点,网页的风格主题也很全面:如爱好、风景、校园、美食、动漫、游戏、咖啡、音乐、家乡、电影、名人、商城以及个人主页等主题,学生、新手可参考下方页面的布局和设计和HTML源码(有用点赞△) 一套A+的网_垃圾分类网页设计目标怎么写
文章浏览阅读614次,点赞7次,收藏11次。之前找到一个修改 exe 中 DLL地址 的方法, 不太好使,虽然能正确启动, 但无法改变 exe 的工作目录,这就影响了.Net 中很多获取 exe 执行目录来拼接的地址 ( 相对路径 ),比如 wwwroot 和 代码中相对目录还有一些复制到目录的普通文件 等等,它们的地址都会指向原来 exe 的目录, 而不是自定义的 “lib” 目录,根本原因就是没有修改 exe 的工作目录这次来搞一个启动程序,把 .net 的所有东西都放在一个文件夹,在文件夹同级的目录制作一个 exe._.net dll 全局目录
文章浏览阅读1.5k次。本文为转载,原博客地址:http://blog.csdn.net/hujingshuang/article/details/46910259简介 BRIEF是2010年的一篇名为《BRIEF:Binary Robust Independent Elementary Features》的文章中提出,BRIEF是对已检测到的特征点进行描述,它是一种二进制编码的描述子,摈弃了利用区域灰度..._breif description calculation 特征点
文章浏览阅读4.1k次,点赞21次,收藏79次。本文是《基于SpringBoot的房屋租赁管理系统》的配套原创说明文档,可以给应届毕业生提供格式撰写参考,也可以给开发类似系统的朋友们提供功能业务设计思路。_基于spring boot的房屋租赁系统论文