-
题名自编码器结合持续学习:现状、挑战与展望
被引量：2
- 1
-
-
作者
吴美君
杨新
潘超凡
李天瑞
寇纲
-
机构
西南财经大学认知计算与群智协同创新实验室
西南财经大学工商管理学院
西南财经大学计算机与人工智能学院
西南交通大学计算机与人工智能学院
-
出处
《计算机学报》
北大核心
2025年第2期317-357,共41页
-
基金
国家自然科学基金青年科学基金项目(62406259)
国家自然科学基金面上项目(62476228)
+2 种基金
国家自然科学基金国际(地区)合作研究与交流项目(71910107002)
湖湘高层次人才聚集工程项目(2024RC4008)
四川省科技厅中央引导地方科技发展项目(2024ZYD0180)资助。
-
文摘
近年来,许多研究利用自编码器进行增量式学习,以在面对新的数据分布、类别或任务时平衡模型的稳定性与可塑性。这些研究从多个角度推动了持续学习的发展。同时,持续学习的范式通过优化策略促进了自编码器架构的改进,实现了自编码器与持续学习之间的相互促进。目前,自编码器与持续学习的结合在多个领域都影响深远。本文对近五年来的相关研究进行了综述,概述了自编码器的类型与特点,持续学习的常见增量场景与主要挑战,并对二者在不同领域的应用情况进行了详细介绍。最后,本综述对当前研究的优点、局限性以及未来应用的前景进行了总结,旨在为推动持续学习与自编码器的结合与发展提供有价值的参考。
-
关键词
持续学习
自编码器
灾难性遗忘
知识传输
模型优化
-
Keywords
continual learning
autoencoder
catastrophic forgetting
knowledge transfer
model optimization
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
-
