用模型遗忘方法提升生成式类增量学习性能

本研究通过引入遗忘机制，提出了一种新颖的生成类增量学习（GCIL）方法，旨在动态管理类信息以更好地适应流数据。通过实验证明，将遗忘机制整合到 GCIL 中，显著提高了模型在获取新知识方面的性能，凸显了策略性遗忘在不断学习过程中的积极作用。

研究发现，使用简单组件和平衡的损失函数组合可以解决神经网络在新任务上的遗忘问题，并通过正则化程序改进了类增量学习的性能。在CIFAR-100和ImageNet上取得了国际领先的成果。

CIFAR-100 ImageNet 损失函数 生成式 神经网络 类增量学习 遗忘问题