BriefGPT - AI 论文速递
·
基于似然比的任务预测的类增量学习
💡
原文英文，约100词，阅读约需1分钟。
📝
内容提要
该研究发现，类增量学习 (CIL) 的问题可以分解为任务内预测 (WP) 和任务 ID 预测 (TP) 两个子问题，其中 TP 与分布外检测 (OOD) 相关联。优秀的 WP 和 TP 或 OOD 检测对于良好的 CIL 表现是必要且充分的，其中 TIL 就是 WP。研究还设计了新的 CIL 方法，其在 CIL 和 TIL 两个设置中性能均优于强基线。
🎯
关键要点
- 类增量学习 (CIL) 的问题可以分解为任务内预测 (WP) 和任务 ID 预测 (TP) 两个子问题。
- 任务 ID 预测 (TP) 与分布外检测 (OOD) 相关联。
- 优秀的 WP 和 TP 或 OOD 检测对于良好的 CIL 表现是必要且充分的。
- TIL 就是 WP。
- 研究设计了新的 CIL 方法，其在 CIL 和 TIL 两个设置中性能均优于强基线。
➡️
