14、基于嵌入空间的终身零样本学习与灾难性遗忘应对

基于嵌入空间的终身零样本学习与灾难性遗忘应对

1. 监督学习领域评估

在监督学习领域，我们对TaDeLL在回归和分类任务上进行了评估，具体涉及机器人末端执行器位置预测以及两个合成分类任务。

1.1 机器人末端执行器位置预测

• 任务设定 ：预测8自由度机械臂末端执行器在3D空间中的实际位置，以关节角度作为特征表示，不同机器人的连杆长度、偏移和扭转参数作为任务描述。
• 实验过程 ：考虑200个不同的机械臂，每个机械臂使用10个点作为训练数据，通过机器人工具箱进行模拟。使用学习到的字典为200个未见过的机器人预测模型，以预测值与实际末端执行器位置的均方误差来衡量性能。

• 实验结果 ：
  | 算法 | 终身学习 | 零样本预测 |
  | ---- | ---- | ---- |
  | TaDeLL | 0.131 ± 0.004 | 0.159 ± 0.005 |
  | ELLA | 0.152 ± 0.005 | N/A |
  | STL | 0.73 ± 0.07 | N/A |

  从表中可以看出，TaDeLL和ELLA的性能均优于单任务学习器（STL），且TaDeLL略优于ELLA。在零样本预测新机械臂时，TaDeLL同样表现出色。为衡量TaDeLL的性能，计算得到单任务学习器在新机器人上的性能为0.70 ± 0.05，这表明TaDeLL即使不使用数据也能在新任务上超越STL。

• 字典大小与