Presná definícia
Čo znamená prírastkové učenie tried?
Prírastkové učenie tried postupne pridáva nové triedy, pričom model má po každej etape rozlišovať všetky doteraz naučené triedy bez informácie o tom, z ktorej etapy vstup pochádza. Výstupný priestor rastie a nové triedy môžu vytláčať staré. Protokol musí oddeliť skutočné class-incremental hodnotenie od ľahšieho režimu, kde je identita úlohy známa.
Skúsenosť a kontext
Ako sa pojem používa v praxi
K systému pre súčiastky sa každý štvrťrok pridajú nové typy. Výstupná hlava sa rozšíri, replay pamäť udržiava vyvážené staré príklady a distilačná strata chráni pôvodné rozhodnutia. Po každej etape sa testujú všetky triedy jedným spoločným klasifikátorom. Tím sleduje zámenu starých tried za nové, kalibráciu a férovosť pamäťového rozpočtu medzi triedami.
Overiteľnosť
Odborné zdroje
Praktické odpovede
Často kladené otázky
Čo sa po etape očakáva?
Jediný model rozlišujúci všetky staré aj nové triedy.
Pozná model identitu etapy pri predikcii?
V čistom class-incremental režime nie.
Čo sa mení?
Počet výstupov rastie s novými triedami.
Prečo sú nové triedy zvýhodnené?
Ich dáta sú čerstvé a často početnejšie než replay starých tried.
Čo treba uviesť?
Výkon po každej etape, zabúdanie a maticu zámen starých s novými.