摘要
في ظل الظاهرة الحالية التي تستهدف فيها التعلم التزايدي الأهداف ذات الوضعيات الثابتة فقط، يأخذ هذا البحث في الاعتبار إعدادًا أكثر صرامة، وهو التعلم التزايدي أونلاين الموجه للأهداف متعددة الوضعيات، ويقترح طريقة إعادة التشغيل متجاهلة الوضعية للتخفيف من النسيان الكارثي عند مواجهة أهداف متعددة الوضعيات في التعلم التزايدي أونلاين. أولًا، يتم تحويل الأهداف ثنائية الأبعاد/ثلاثية الأبعاد إلى سحابة نقاط لتسهيل استخراج المعلومات الهندسية الفعالة للأهداف؛ ثانيًا، يُحسَّن الشبكة بناءً على مجموعة <inline-formula><alternatives><math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M1"><mi mathvariant="normal">S</mi><mi mathvariant="normal">E</mi><mo stretchy="false">(</mo><mi>d</mi><mo stretchy="false">)</mo><mo stretchy="false">(</mo><mi>d</mi><mo>=</mo><mn mathvariant="normal">2,3</mn><mo stretchy="false">)</mo></math><graphic specific-use="big" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/2CE9F2B6-4DDC-4a66-AA9A-320D709BA0F7-M001.jpg"?><?fx-imagestate width="22.77533340" height="3.04800010"?></graphic><graphic specific-use="small" xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="alternativeImage/2CE9F2B6-4DDC-4a66-AA9A-320D709BA0F7-M001c.jpg"?><?fx-imagestate width="22.77533340" height="3.04800010"?></graphic></alternatives></inline-formula> لتقديم تحسّن مثل الإزاحة والدوران وتغيرات متساوية أخرى في الشبكة، مما يمكن الشبكة من استخراج معلومات هندسية أكثر ثراءً، وبالتالي تقليل تأثير وضعية الهدف على النموذج في كل مهمة؛ أخيرًا، يتم أخذ عينات من نقاط بيانات معينة بناءً على تغير الخسارة لإعادة التشغيل بهدف التخفيف من النسيان الكارثي. أظهرت النتائج التجريبية أنه عند مواجهة أهداف ذات وضعيات ثابتة مثل MNIST وCIFAR-10، حقق هذا الأسلوب دقة متوسطة نهائية تبلغ 88% و42.6% على التوالي، مع نتائج قريبة من طرق المقارنة، لكن معدل النسيان النهائي كان أفضل بشكل ملحوظ، بانخفاض حوالي 3% و15% على التوالي. عند مواجهة أهداف متعددة الوضعيات مثل RotMNIST وtrCIFAR-10، حافظ هذا الأسلوب بشكل جيد على الأداء في الأهداف ذات الوضعيات الثابتة، ولم يتأثر بشكل ملموس بوضعية الهدف. بالإضافة إلى ذلك، ظل الأداء مستقرًا أيضًا في مجموعة بيانات ثلاثية الأبعاد ModelNet40. الطريقة المقترحة في هذا البحث يمكنها مواجهة تحديات التعليم التزايدي أونلاين دون التأثر بوضعية الهدف، مع التخفيف من النسيان الكارثي، مما يدل على ثبات وقابلية تشكيل جيدة.
关键词
التعلم التزايدي أونلاين; النسيان الكارثي; إعادة التشغيل متجاهلة الوضعية; التغير المتساوي; تصنيف سحب النقاط
以上内容由讯飞翻译自动生成，翻译内容仅供参考。对于因使用本网站翻译内容产生的相关后果，本网站不承担任何商业和法律责任。
The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website