文章摘要:本文关注了一个非常具有挑战性的问题：深度神经网络的小样本类增量学习。其中深度神经网络模型可以从少量的样本中逐步学习新知识，同时不会忘记已学习的旧知识。为了平衡模型对旧知识的记忆和对新知识的学习，我们提出了一个基于特征分布学习的小样本类增量学习方法。首先，我们在基类上学习模型以获得一个性能良好的特征提取器，并使用每类的特征分布信息来表示知识。然后，我们将已学习的知识与新类的特征一起映射到一个新的低维子空间中，以统一的回顾旧知识与学习新知识。最后，在子空间内，我们还为每个新类生成了分类权值初始化，以提高模型对新类的适应性。大量实验表明，该方法可以有效地减轻模型对已学习知识的遗忘，同时提高模型对新知识的适应性。

文章关键词:

论文分类号:TP181

文章来源：《学习与实践》 网址: http://www.xxysjzz.cn/qikandaodu/2022/0705/1584.html

上一篇：自动化技术论文_多智能体博弈学习研究进展
下一篇：教育理论与教育管理论文_在线群体学习制