跳到正文
热点事件持续更新

研究者提出CPNS正则化方法应对类增量学习特征碰撞

1 篇报道1 个报道来源10 小时前更新

先了解这件事

AI 综述

Zhen Zhang等作者提出基于必要性与充分性概率(PNS)的反事实特征正则化方法CPNS,用于扩展式类增量学习,以缓解新任务特征与旧特征碰撞的问题。该方法从任务内与任务间两个层面量化特征的因果完整性与可分离性,并借助双网络反事实生成器同时生成任务内反事实特征与任务间干扰特征,以降低两类PNS风险。 作者称CPNS为即插即用模块,并通过理论分析与实验验证其有效性。

AI 根据报道生成 · 53 分钟前更新

报道时间线

沿着报道,了解事件的不同侧面。

11月20日
  1. arXiv cs.AI
    基于反事实特征正则化的扩展式类增量学习方法

    针对扩展式类增量学习中新任务特征与旧特征碰撞的问题,研究者提出基于必要性与充分性概率(PNS)的正则化方法 CPNS,从任务内与任务间两个层面量化特征的因果完整性与可分离性。该方法借助双网络反事实生成器同时生成任务内反事实特征与任务间干扰特征,以降低两类 PNS 风险,且为即插即用模块。理论分析与实验均验证了其有效性。

本事件热度走势

还没有足够的连续观测数据,暂不绘制趋势。