摘要
增量学习已成为机器学习领域的一个新的研究热点.与传统的机器学习相比,增量学习可以从新样本中不断学习新知识,并保留以前学习过的大部分知识.然而,目前增量深度学习方法不仅方法复杂而且会导致模型参数增加,因此本文提出了一个有效的增量深度学习模型(incremental structure learning model,ISLM),用于处理增量深度神经网络中的灾难性问题.在拆分的CIFAR-100数据集上进行实验,结果表明,与目前流行的增量学习方法相比,该方法不仅具备很f强的缓解灾难性遗忘的能力,而且得到了最高精度.
NETL
NSTL
维普
万方数据