CLEO: 演化本体的持续学习
原文中文，约300字，阅读约需1分钟。发表于：。连续学习是一种解决神经网络中灾难性遗忘问题的方法，其中训练的模型在面对新任务时往往会覆盖先前学到的信息。CLEO 是一种针对演化类别的新的增量学习设置，用于解决现实世界本体论的变化时需求。MoOn 作为基准解决方案，在 CLEO 环境中超越了以往的连续学习方法。
本文提出了一种用于在线连续学习问题的简单算法，该算法采用kNN分类器和通用预先训练的特征提取器，可以在小的计算预算下紧凑存储和利用整个数据流，同时减少过往数据的灾难性遗忘，快速适应快速变化的数据流。在Continual LOCalization (CLOC)和Continual Google Landmarks V2 (CGLM)两个大规模OCL数据集上取得了最新的技术水平。
