持续学习的综述: 理论、方法与应用(三:泛化分析)

前文连接:持续学习的综述: 理论、方法与应用(一)

前文连接:持续学习的综述: 理论、方法与应用(二:理论基础)

泛化分析

目前持续学习的理论研究主要是在增量任务的训练集上进行的,假设它们的测试集遵循相似的分布,候选解具有相似的泛化性。然而,由于学习多个任务的目标通常是高度非凸的,因此存在许多局部最优解,它们在每个训练集上的表现相似,但在测试集上的泛化性却有显著不同[313],[443]。对于持续学习,理想的解决方案不仅需要从训练集到测试集的任务内泛化性,还需要任务间泛化性,以适应其分布的增量变化。

相关推荐
阡之尘埃38 分钟前
Python数据分析案例61——信贷风控评分卡模型(A卡)(scorecardpy 全面解析)
人工智能·python·机器学习·数据分析·智能风控·信贷风控
孙同学要努力3 小时前
全连接神经网络案例——手写数字识别
人工智能·深度学习·神经网络
Eric.Lee20213 小时前
yolo v5 开源项目
人工智能·yolo·目标检测·计算机视觉
其实吧34 小时前
基于Matlab的图像融合研究设计
人工智能·计算机视觉·matlab
丕羽4 小时前
【Pytorch】基本语法
人工智能·pytorch·python
ctrey_4 小时前
2024-11-1 学习人工智能的Day20 openCV(2)
人工智能·opencv·学习
SongYuLong的博客4 小时前
Air780E基于LuatOS编程开发
人工智能
Jina AI4 小时前
RAG 系统的分块难题:小型语言模型如何找到最佳断点?
人工智能·语言模型·自然语言处理
-派神-4 小时前
大语言模型(LLM)量化基础知识(一)
人工智能·语言模型·自然语言处理
johnny_hhh4 小时前
AI大模型重塑软件开发流程:定义、应用场景、优势、挑战及未来展望
人工智能