- 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：
- 2.重要细节：
- 3.启发与思考：
- 单位：Facebook人工智能研究
- 时间：2017
- 代码：github镜像地址
- 论文：csdn下载地址
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
- 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
