Presná definícia
Čo znamená prírastkové učenie úloh?
Prírastkové učenie úloh pridáva modelu postupne nové úlohy a pri predikcii predpokladá dostupnosť identity úlohy alebo príslušnej výstupnej hlavy. Vďaka tomu nemusí naraz rozlišovať spoločný rastúci priestor tried, čo ho odlišuje od prírastkového učenia tried. Stále musí obmedziť zabúdanie v zdieľanej reprezentácii a uviesť, ako sa úloha identifikuje.
Skúsenosť a kontext
Ako sa pojem používa v praxi
Spoločná chrbtica sa postupne učí detekciu typu, odhad priority a smerovanie dokumentu, pričom každá úloha má vlastnú hlavu. Po príchode novej sa aktivuje jej hlava a staré sa testujú bez dolaďovania. Replay alebo regularizácia chráni chrbticu. Nasadenie musí mať spoľahlivý smerovač úloh; ak identita nie je známa, deklarované task-incremental výsledky nezodpovedajú reálnej prevádzke.
Overiteľnosť
Odborné zdroje
Praktické odpovede
Často kladené otázky
Čo je dostupné pri teste?
Informácia o tom, ktorú úlohu alebo hlavu použiť.
Môže mať každá úloha samostatnú hlavu?
Áno, je to bežné usporiadanie.
Prečo je ľahšie než class-incremental režim?
Model nemusí rozlišovať všetky triedy v jednej spoločnej hlave.
Kde stále vzniká?
V zdieľaných parametroch chrbtice.
Čo ak úloha nie je známa?
Treba ju predikovať alebo použiť iný hodnotiaci režim.