机构名称：
¥ 1.0
摘要。本文解决了在线无任务持续学习的一个非常具有挑战性的问题，其中仅使用每个样本一次培训一次，而在不了解任务边界的情况下，从非平稳数据中学习了一系列新任务。我们在本文中提出了一种有效的半分布的关联存储算法，称为动态稀疏分布式内存（DSDM），其中可以在任何时间点进行学习和评估。dsdm会动态发展，并不断建模任何非平稳数据流的分布。dsdm依赖于本地分布式，但仅部分重叠的表示形式群集有效消除了灾难性的遗忘，同时保持了分布式网络的概括能力。此外，使用基于局部密度的修剪技术来控制网络的内存足迹。dsdm在不同的图像分类基准中，即使在低数据状态下，DIV> DIV> DIV> DIV> DIV> DIV> DIV> DIV> DIV> DIV> DIV> DIV> DIV>。代码公开可用：https：//github.com/julien-pour/dynamic-sparse-distributed-monem
结合缓解策略以增加生物多样性和粮食安全的共同利益
主要关键词
相关文件推荐
