SDD:基于协同双记忆与无偏对比去偏的半监督持续学习框架
《Applied Sciences》:SDD: Synergistic Dual-Memory Debiasing for Semi-Supervised Continual Learning
【字体:
大
中
小
】
时间:2026年10月21日
来源:Applied Sciences 2.5
编辑推荐:
特色应用 所提出的 SDD 框架可应用于标注数据稀缺且任务依次到达的现实机器学习系统,例如智能监控、工业缺陷检测和自动驾驶,使模型能够利用少量标注数据从新任务中持续学习,同时有效缓解灾难性遗忘和类别不平衡问题。
特色应用
所提出的 SDD 框架可应用于标注数据稀缺且任务依次到达的现实机器学习系统,例如智能监控、工业缺陷检测和自动驾驶,使模型能够利用少量标注数据从新任务中持续学习,同时有效缓解灾难性遗忘和类别不平衡问题。
摘要
半监督持续学习 (SSCL) 旨在使深度学习模型能够在不发生灾难性遗忘的情况下,从标注稀缺的流式数据中增量学习。现有的 SSCL 方法面临两个核心问题:对有限标注样本的严重过拟合,以及跨增量任务累积的特征表示偏差。为了解决这些问题,我们提出了协同双记忆去偏 (SDD),这是一个集成了双记忆回放与无偏对比去偏的半监督持续学习框架。它包括两个紧密耦合的核心组件:一种具有置信度感知采样机制的双记忆回放 (DMR) 策略,该策略避免了加剧对有限标注样本的过拟合;以及一个具有平衡 KL 正则化的无偏对比学习 (UCL) 模块,该模块缓解了累积的特征偏差。在三个标准基准(CIFAR-10、CIFAR-100、ImageNet-100)上的大量实验表明,SDD 与最先进的 SSCL 方法相比具有竞争力的性能,相比 NNCSL 基线,准确率最高提升了 4.98%。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号