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。

  

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%。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    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