BriefGPT - AI 论文速递
·
NTK 引导下的少样本类别增量学习
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
通过研究神经切向核（NTK），设计了一种元学习机制，提高了网络的基础泛化能力。综合多种方法，网络在FSCIL基准数据集上的准确率提升了2.9%至8.7%。
🎯
关键要点
- 研究神经切向核（NTK）以设计元学习机制。
- 元学习机制通过数学原理指导网络优化过程。
- 确保全局最优的 NTK 收敛和相关的泛化误差。
- 提高网络的基础泛化能力。
- 采用自我监督的预训练和课程对齐等方法。
- 对卷积层和线性层进行定制的双重 NTK 正则化。
- 在FSCIL基准数据集上，准确率提升了2.9%至8.7%。
🏷️
标签
➡️
