ICLR2021-Contextual Transformation Networks for Online Continual Learning

最新推荐文章于 2024-06-08 17:01:27 发布

原创最新推荐文章于 2024-06-08 17:01:27 发布 · 286 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#持续学习 #深度学习

博士科研专栏收录该内容

28 篇文章

订阅专栏

本文探讨了在线持续学习的固定架构方法，通过建模任务特定特征来实现。上下文转换网络包括基网络和控制器，其中episodic memory用于基模型的训练，而semantic memory则服务于控制器的训练。文章引用了神经科学的互补学习系统（CLS）理论，解释了新皮质学习结构化知识，而海马体则进行快速学习。方法部分介绍了特征级转换，根据任务标识符生成变换参数，控制器的目标是生成变换矩阵，使任务特定特征能够泛化到先前和当前任务。博客提供了开源代码链接。

在这里插入图片描述

Introduction

the motivation is online continual learning with a fixed architecture by modeling the task-specific features.
Contextual transformation network (a base network and a controller)
什么是episodic memory? Episodic memory是用于base model的训练
什么是semantic memory? Semantic memory适用于controller的训练
利用神经科学的解释（complementary learning system, CLS理论）？
Neocortex learn the structured knowledge
Hippocampus 快速学习
Contextual transformation体现在哪里？

Method

Feature-wise transformation, efficiently extract the task-specific features from the common features;
Given the task-identifier t, 利用controller生成变换参数；
The controller的目的？得到变换矩阵，the task-specific features can generalize to both previous and current tasks, while simultaneously