BriefGPT - AI 论文速递
·
EOL：通过增强异常样本的预测值来进行传导式少样本开放集识别
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本研究介绍了一种在线少样本增量学习（O-FSCIL）方法，通过使用预训练和元学习的特征提取器以及存储类别原型的可扩展显式内存，使机器学习系统能够仅使用少量标记示例来扩展其推理能力，同时不会忘记先前学习的类别。O-FSCIL 在 FSCIL CIFAR100 基准测试中获得了 68.62％的平均准确率，实现了最先进的结果。针对超低功耗平台，我们将 O-FSCIL 实现在 60 mW 的 GAP9 微控制器上，仅使用 12 mJ 的能量来展示在线学习能力。
🎯
关键要点
-
本研究介绍了一种在线少样本增量学习（O-FSCIL）方法。
-
O-FSCIL 使用预训练和元学习的特征提取器。
-
该方法利用可扩展显式内存存储类别原型。
-
O-FSCIL 仅需少量标记示例即可扩展推理能力。
-
O-FSCIL 能够避免遗忘先前学习的类别。
-
在 FSCIL CIFAR100 基准测试中，O-FSCIL 获得了 68.62％ 的平均准确率。
-
O-FSCIL 实现了最先进的结果。
-
O-FSCIL 在 60 mW 的 GAP9 微控制器上实现，能耗仅为 12 mJ。
-
该研究展示了在线学习能力，适用于超低功耗平台。
➡️
