Machine Learning,Artificial Intelligence,Computer Vision and Pattern Recognition,یادگیری ماشین , هوش مصنوعی , چشم انداز رایانه و تشخیص الگوی ,
توضیحات
Submitted 26 August, 2024; originally announced August 2024. , Comments: 25 pages, 5 figures. Accepted at the The 35th British Machine Vision Conference 2024 (BMVC 2024), Glasgow, UK
توضیحات به فارسی
ارسال شده در 26 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: 25 صفحه ، 5 شکل.پذیرفته شده در سی و پنجمین کنفرانس بینایی ماشین بریتانیا 2024 (BMVC 2024) ، گلاسکو ، انگلیس
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 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
Forgetting presents a significant challenge during incremental training, making it particularly demanding for contemporary AI systems to assimilate new knowledge in streaming data environments. To address this issue, most approaches in Continual Learning (CL) rely on the replay of a restricted buffer of past data. However, the presence of noise in real-world scenarios, where human annotation is constrained by time limitations or where data is automatically gathered from the web, frequently renders these strategies vulnerable. In this study, we address the problem of CL under Noisy Labels (CLN) by introducing Alternate Experience Replay (AER), which takes advantage of forgetting to maintain a clear distinction between clean, complex, and noisy samples in the memory buffer. The idea is that complex or mislabeled examples, which hardly fit the previously learned data distribution, are most likely to be forgotten. To grasp the benefits of such a separation, we equip AER with Asymmetric Balanced Sampling (ABS): a new sample selection strategy that prioritizes purity on the current task while retaining relevant samples from the past. Through extensive computational comparisons, we demonstrate the effectiveness of our approach in terms of both accuracy and purity of the obtained buffer, resulting in a remarkable average gain of 4.71% points in accuracy with respect to existing loss-based purification strategies. Code is available at https://github.com/aimagelab/mammoth.
چکیده به فارسی (ترجمه ماشینی)
فراموش کردن یک چالش مهم در طول آموزش افزایشی ، باعث می شود که به ویژه برای سیستم های هوش مصنوعی معاصر برای جذب دانش جدید در محیط های داده های جریان ، به ویژه خواستار شود.برای پرداختن به این مسئله ، بیشتر رویکردهای موجود در یادگیری مداوم (CL) به پخش مجدد یک بافر محدود از داده های گذشته متکی هستند.با این حال ، وجود سر و صدا در سناریوهای دنیای واقعی ، جایی که حاشیه نویسی انسان توسط محدودیت های زمانی محدود می شود یا جایی که داده ها به طور خودکار از وب جمع می شوند ، اغلب این استراتژی ها را آسیب پذیر می کند.در این مطالعه ، ما به مشکل CL در برچسب های پر سر و صدا (CLN) با معرفی پخش مجدد تجربه جایگزین (AER) می پردازیم ، که از فراموشی برای حفظ تمایز واضح بین نمونه های پاک ، پیچیده و پر سر و صدا در بافر حافظه استفاده می کند.ایده این است که نمونه های پیچیده یا نادرست ، که به سختی توزیع داده های قبلاً آموخته شده متناسب است ، به احتمال زیاد فراموش می شوند.برای درک فواید چنین جداسازی ، ما AER را به نمونه گیری متعادل نامتقارن (ABS) مجهز می کنیم: یک استراتژی انتخاب نمونه جدید که ضمن حفظ نمونه های مربوطه از گذشته ، خلوص را در کار فعلی اولویت می دهد.از طریق مقایسه های محاسباتی گسترده ، ما اثربخشی رویکرد خود را از نظر دقت و خلوص بافر به دست آمده نشان می دهیم ، و در نتیجه افزایش قابل توجهی از 4.71 ٪ امتیاز در دقت با توجه به استراتژی های تصفیه مبتنی بر ضرر موجود است.کد در https://github.com/aimagelab/mammoth در دسترس است.
📚 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.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 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
