机构名称：
¥ 1.0
将生成模型适应持续学习（又称cgl）最近引起了对计算机视觉的极大兴趣（Huang等，2024； Belouadah等，2021）。CGL的臭名昭著的问题是灾难性的遗忘，这反映了这样一个事实，即当发电机学习新任务时，它会忘记其以前学习的任务（Parisi等，2019）。主要的CGL方法是生成性重播（GR）（Shin等，2017; Van de Ven等，2020），该方法在混合数据集中重新训练了一个新的发电机，该数据集合了从先前的生成器和当前任务的真实样品产生的伪样品。一些扩展的CGL方法仅在当前任务数据上训练发电机，例如CEWC（Seff等，2017）和Mgan（Wu等，2018; Liu等，2020）等。然而，这些方法主要在条件生成的对抗网络（CGAN）上进行了研究，并且它们对于单个增量任务是可行的，而对于多个顺序任务，CGAN可以诱导不稳定的训练，从而导致下质量的样品（CONG等，2020）。
kfc：知识重建和饲料
主要关键词
相关文件推荐
