如有侵权或其他问题欢迎留言联系更正或删除。出处IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS 2024CCF C期刊、中科院一区一 提出动机1. 挑战工业数据动态变化导致数据分布漂移 (data distribution drift)Continual learning (lifelong learning)指学习系统随时间推移动态更新模型知识库而不忘记过去重要信息的能力有效克服灾难性遗忘 (catastrophic forgetting) 的挑战。此外增量学习方法避免了从零开始建模的高计算成本。二 MethodologyA. Hint-Based Network Parameter Learning参数说明B. Dual-Buffer Design动机“基于提示的网络参数优化” 使用来自缓冲区Memory Buffer的样本作为优化新任务的先验约束 →可能将限制模型习得新任务的能力特别是当任务相似模型可能倾向使用旧任务策略来处理新任务或序列很长缓冲区中累积的样本数量增加时“双缓冲设计” 平衡了学习新任务的可塑性Soft Memory Buffer、记忆旧任务的稳定性Memory BufferC. Time-Sensitive Activation Function三 实验结果四 评测指标
如有侵权或其他问题欢迎留言联系更正或删除。出处IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS 2024CCF C期刊、中科院一区一 提出动机1. 挑战工业数据动态变化导致数据分布漂移 (data distribution drift)Continual learning (lifelong learning)指学习系统随时间推移动态更新模型知识库而不忘记过去重要信息的能力有效克服灾难性遗忘 (catastrophic forgetting) 的挑战。此外增量学习方法避免了从零开始建模的高计算成本。二 MethodologyA. Hint-Based Network Parameter Learning参数说明B. Dual-Buffer Design动机“基于提示的网络参数优化” 使用来自缓冲区Memory Buffer的样本作为优化新任务的先验约束 →可能将限制模型习得新任务的能力特别是当任务相似模型可能倾向使用旧任务策略来处理新任务或序列很长缓冲区中累积的样本数量增加时“双缓冲设计” 平衡了学习新任务的可塑性Soft Memory Buffer、记忆旧任务的稳定性Memory BufferC. Time-Sensitive Activation Function三 实验结果四 评测指标
