TS-ACL:一种用于隐私保护和类增量模式识别的时间序列分析持续学习框架
原文中文,约500字,阅读约需2分钟。发表于: 。本研究针对时间序列分类中的类增量学习问题,尤其是灾难性遗忘现象提出了解决方案。提出的TS-ACL框架通过将神经网络更新转化为无梯度的线性回归问题,显著减少了灾难性遗忘,并在实际应用中表现出优越的性能和实时性,能够适应大规模数据处理。
时间序列分类中常出现新类别,系统需在学习新类别时避免遗忘旧类别,这就是类别增量学习(CIL)问题。尽管图像和语言领域有进展,但时间序列数据的CIL研究较少。本文概述了时间序列类别增量学习的问题和挑战,并开发了一个统一的实验框架,用于评估各种CIL方法。实验揭示了设计因素对性能的影响,为未来研究提供了基线。