اکسپرس 24
ترجمه فارسی مقاله یادآوری حافظه در سطح توزیع برای یادگیری مداوم: حفظ دانش و اجتناب از سردرگمی

ترجمه فارسی مقاله یادآوری حافظه در سطح توزیع برای یادگیری مداوم: حفظ دانش و اجتناب از سردرگمی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Distribution-Level Memory Recall for Continual Learning: Preserving Knowledge and Avoiding Confusion
عنوان مقاله به فارسی یادآوری حافظه در سطح توزیع برای یادگیری مداوم: حفظ دانش و اجتناب از سردرگمی
نویسندگان Shaoxu Cheng, Kanglei Geng, Chiyuan He, Zihuan Qiu, Linfeng Xu, Heqian Qiu, Lanxiao Wang, Qingbo Wu, Fanman Meng, Hongliang Li
فرمت مقاله انگلیسی PDF
تعداد صفحات 13
دسته بندی موضوعات Machine Learning,Artificial Intelligence,یادگیری ماشین , هوش مصنوعی ,
توضیحات Submitted 4 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 4 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 520,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Continual Learning (CL) aims to enable Deep Neural Networks (DNNs) to learn new data without forgetting previously learned knowledge. The key to achieving this goal is to avoid confusion at the feature level, i.e., avoiding confusion within old tasks and between new and old tasks. Previous prototype-based CL methods generate pseudo features for old knowledge replay by adding Gaussian noise to the centroids of old classes. However, the distribution in the feature space exhibits anisotropy during the incremental process, which prevents the pseudo features from faithfully reproducing the distribution of old knowledge in the feature space, leading to confusion in classification boundaries within old tasks. To address this issue, we propose the Distribution-Level Memory Recall (DMR) method, which uses a Gaussian mixture model to precisely fit the feature distribution of old knowledge at the distribution level and generate pseudo features in the next stage. Furthermore, resistance to confusion at the distribution level is also crucial for multimodal learning, as the problem of multimodal imbalance results in significant differences in feature responses between different modalities, exacerbating confusion within old tasks in prototype-based CL methods. Therefore, we mitigate the multi-modal imbalance problem by using the Inter-modal Guidance and Intra-modal Mining (IGIM) method to guide weaker modalities with prior information from dominant modalities and further explore useful information within modalities. For the second key, We propose the Confusion Index to quantitatively describe a model's ability to distinguish between new and old tasks, and we use the Incremental Mixup Feature Enhancement (IMFE) method to enhance pseudo features with new sample features, alleviating classification confusion between new and old knowledge.

چکیده به فارسی (ترجمه ماشینی)

یادگیری مداوم (CL) با هدف این است که شبکه های عصبی عمیق (DNN) را قادر به یادگیری داده های جدید بدون فراموش کردن دانش قبلی آموخته شده باشد.نکته اصلی دستیابی به این هدف ، جلوگیری از سردرگمی در سطح ویژگی ، یعنی جلوگیری از سردرگمی در کارهای قدیمی و بین کارهای جدید و قدیمی است.روشهای CL مبتنی بر نمونه اولیه با اضافه کردن نویز گاوسی به مرکز کلاسهای قدیمی ، ویژگی های شبه برای پخش مجدد دانش قدیمی ایجاد می کنند.با این حال ، توزیع در فضای ویژگی در طی فرآیند افزایشی ناهمسانگرد را نشان می دهد ، که مانع از تولید ویژگی های شبه از تولید مثل وفاداری توزیع دانش قدیمی در فضای ویژگی می شود و منجر به سردرگمی در مرزهای طبقه بندی در کارهای قدیمی می شود.برای پرداختن به این مسئله ، ما روش فراخوان حافظه در سطح توزیع (DMR) را پیشنهاد می کنیم ، که از یک مدل مخلوط گاوسی استفاده می کند تا دقیقاً توزیع ویژگی دانش قدیمی در سطح توزیع را متناسب کند و در مرحله بعدی ویژگی های شبه را ایجاد کند.علاوه بر این ، مقاومت در برابر سردرگمی در سطح توزیع نیز برای یادگیری مولتی مدال بسیار مهم است ، زیرا مشکل عدم تعادل چندمودال منجر به تفاوت های معنی داری در پاسخ های ویژگی بین روشهای مختلف می شود و باعث تشدید سردرگمی در کارهای قدیمی در روشهای CL مبتنی بر نمونه اولیه می شود.بنابراین ، ما با استفاده از راهنمایی بین مدلی و روش معدن درون معدنی (IGIM) برای هدایت روشهای ضعیف تر با اطلاعات قبلی از روشهای غالب و بررسی بیشتر اطلاعات مفید در روشها ، مشکل عدم تعادل چند معدنی را کاهش می دهیم.برای کلید دوم ، ما شاخص سردرگمی را برای توصیف کمی توانایی یک مدل در تمایز بین کارهای جدید و قدیمی پیشنهاد می کنیم و ما از روش تقویت ویژگی های افزایشی مخلوط (IMFE) برای تقویت ویژگی های شبه با ویژگی های نمونه جدید استفاده می کنیم ، و این باعث کاهش سردرگمی طبقه بندی بین جدید می شود.و دانش قدیمی

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.