ترجمه فارسی مقاله Dual-CBA: بهبود یادگیری مستمر آنلاین از طریق آداپتورهای Dual Continual Bias از دیدگاه بهینه سازی دو سطحی

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 Dual-CBA: Improving Online Continual Learning via Dual Continual Bias Adaptors from a Bi-level Optimization Perspective
عنوان مقاله به فارسی Dual-CBA: بهبود یادگیری مستمر آنلاین از طریق آداپتورهای Dual Continual Bias از دیدگاه بهینه سازی دو سطحی
نویسندگان Quanziang Wang, Renzhen Wang, Yichen Wu, Xixi Jia, Minghao Zhou, Deyu Meng
فرمت مقاله انگلیسی PDF
تعداد صفحات 20
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Artificial Intelligence,یادگیری ماشین , هوش مصنوعی ,
توضیحات Submitted 25 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده 25 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 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

In online continual learning (CL), models trained on changing distributions easily forget previously learned knowledge and bias toward newly received tasks. To address this issue, we present Continual Bias Adaptor (CBA), a bi-level framework that augments the classification network to adapt to catastrophic distribution shifts during training, enabling the network to achieve a stable consolidation of all seen tasks. However, the CBA module adjusts distribution shifts in a class-specific manner, exacerbating the stability gap issue and, to some extent, fails to meet the need for continual testing in online CL. To mitigate this challenge, we further propose a novel class-agnostic CBA module that separately aggregates the posterior probabilities of classes from new and old tasks, and applies a stable adjustment to the resulting posterior probabilities. We combine the two kinds of CBA modules into a unified Dual-CBA module, which thus is capable of adapting to catastrophic distribution shifts and simultaneously meets the real-time testing requirements of online CL. Besides, we propose Incremental Batch Normalization (IBN), a tailored BN module to re-estimate its population statistics for alleviating the feature bias arising from the inner loop optimization problem of our bi-level framework. To validate the effectiveness of the proposed method, we theoretically provide some insights into how it mitigates catastrophic distribution shifts, and empirically demonstrate its superiority through extensive experiments based on four rehearsal-based baselines and three public continual learning benchmarks.

چکیده به فارسی (ترجمه ماشینی)

در یادگیری مداوم آنلاین (CL) ، مدلهایی که در تغییر توزیع آموزش داده می شوند ، دانش و تعصب قبلاً آموخته شده را نسبت به کارهای تازه دریافت شده فراموش کرده اند.برای پرداختن به این مسئله ، ما آداپتور تعصب مداوم (CBA) را ارائه می دهیم ، یک چارچوب دو سطح که شبکه طبقه بندی را برای سازگاری با تغییرات توزیع فاجعه بار در حین آموزش تقویت می کند و این شبکه را قادر می سازد تا یک تثبیت پایدار از همه کارهای دیده شود.با این حال ، ماژول CBA تغییرات توزیع را به صورت خاص کلاس تنظیم می کند ، مسئله شکاف پایداری را تشدید می کند و تا حدی نتواند نیاز به آزمایش مداوم در CL آنلاین را برآورده کند.برای کاهش این چالش ، ما بیشتر یک ماژول CBA کلاس-آگنوستیک جدید را پیشنهاد می کنیم که به طور جداگانه احتمالات خلفی کلاس ها را از کارهای جدید و قدیمی جمع می کند و یک تنظیم پایدار را برای احتمال خلفی حاصل اعمال می کند.ما دو نوع ماژول CBA را در یک ماژول یکپارچه دوتایی یکپارچه ترکیب می کنیم ، که بنابراین قادر به سازگاری با تغییرات توزیع فاجعه بار است و همزمان با نیازهای آزمایش در زمان واقعی CL آنلاین مطابقت دارد.علاوه بر این ، ما عادی سازی دسته ای افزایشی (IBN) ، یک ماژول BN متناسب را برای ارزیابی مجدد آمار جمعیت خود برای کاهش تعصب ویژگی ناشی از مشکل بهینه سازی حلقه داخلی چارچوب دو سطح ما پیشنهاد می کنیم.برای اعتبارسنجی اثربخشی روش پیشنهادی ، ما از لحاظ نظری بینش هایی در مورد چگونگی کاهش تغییرات توزیع فاجعه بار ارائه می دهیم ، و به صورت تجربی برتری خود را از طریق آزمایش های گسترده بر اساس چهار پایه پایه مبتنی بر تمرین و سه معیار یادگیری مداوم عمومی نشان می دهیم.

📚 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.