典型文献
ISLM:克服灾难性遗忘的增量深度学习模型
文献摘要：
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.
文献关键词：
增量学习;深度学习;注意力模块;通道剪枝
中图分类号：
作者姓名：
程虎威
作者机构：
北京交通大学计算机与信息技术学院,北京 100044
文献出处：
引用格式：
[1]程虎威-.ISLM:克服灾难性遗忘的增量深度学习模型)[J].现代计算机,2022(14):35-41
A类：
ISLM
B类：
灾难性遗忘,深度学习模型,增量学习,学习领域,不断学习,新知识,深度学习方法,incremental,structure,learning,model,深度神经网络,拆分,CIFAR,注意力模块,通道剪枝
AB值：
0.306515
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
