Class-incremental Learning via Deep Model Consolidation 翻譯
Abstract 深度神經網絡(DNNs)在增量學習(IL)過程中經常遭受「災難性遺忘」——當訓練目標適應於新添加的一組類時，原始類的性能會突然下降。 現有的IL方法傾向於產生一個偏向於舊類或新類的模型，除非藉助舊數據的範例。 爲了解決這個問題，我們提出了一種稱爲深度模型整合(Deep Model Consolidation, DMC)的類增量學習範式，即使在原始訓練數據不可用的情況下，它也能很好
相關文章
- 1. Deep Learning 教程翻譯
- 2. Deep Learning Model--CNN
- 3. Wide & Deep Learning Model
- 4. 《Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks》 論文翻譯筆記
- 5. 【論文翻譯】Deep Residual Learning for Image Recognition
- 6. 【論文翻譯】Deep residual learning for image recognition
- 7. Wide & Deep Learning for Recommender Systems 翻譯
- 8. A Survey on Deep Transfer Learning 2018 翻譯
- 9. Deep Learning, NLP, and Representations翻譯學習
- 10. 翻譯「Learning Transferable Features with Deep Adaptation Networks」
- 更多相關文章...
- • Eclipse 編譯項目 - Eclipse 教程
- • Kotlin 使用命令行編譯 - Kotlin 教程
- • Java Agent入門實戰（一）-Instrumentation介紹與使用
- • Java Agent入門實戰（三）-JVM Attach原理與使用
相關標籤/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
最新文章
歡迎關注本站公眾號,獲取更多信息
相關文章
- 1. Deep Learning 教程翻譯
- 2. Deep Learning Model--CNN
- 3. Wide & Deep Learning Model
- 4. 《Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks》 論文翻譯筆記
- 5. 【論文翻譯】Deep Residual Learning for Image Recognition
- 6. 【論文翻譯】Deep residual learning for image recognition
- 7. Wide & Deep Learning for Recommender Systems 翻譯
- 8. A Survey on Deep Transfer Learning 2018 翻譯
- 9. Deep Learning, NLP, and Representations翻譯學習
- 10. 翻譯「Learning Transferable Features with Deep Adaptation Networks」