李宏毅：Life Long Learning
Life Long Learing 也是continual Learning，也是incremental learning
目录
Life-Long Learning vs Transfer Learning
Evaluation
Research Directions
Selective Synaptic Plasticity——Regulization Based
Additional Neural Resourcr Allocation
Memory Reply
Life-Long Learning vs Transfer Learning
Transfer Learning：在任务一上学到的内容Transfer到任务二，关注点在Task2
Life-Long Learning：学完Task2以后Task1还能否work
Evaluation
Research Directions
Selective Synaptic Plasticity——Regulization Based
Forget的原因：白色——loss越大，蓝色——loss越小，先让模型训练task1，随机训练的参数θ0，然后使用梯度下降的方法调整θ0的参数，得到θb。将θb的参数迁移到Task2，继续训练得到θ*。将θ*应用于task1发现loss变大，说明出现了forget现象。如果将θb往右移是否在task1上效果更好呢？（往右移也是蓝色区域）
basic idea：对先前任务重要的一些参数不要改变，只需要调整不重要的参数。
是先前任务学习到的参数，对每一个参数
设置一个守卫
，代表该参数对过去的任务是否重要。
指的是将要被此任务学习得到的参数，下式为改写后的loss function，第二个式子表示该参数的重要程度：
——catastrophic forgetting
——instransigence
如何设置 ?
方向上loss变化很小，b1很小；
方向上loss变化比较大，b2较大。
Gradient Episodic Memory (GEM)
通过存少量资料updata direction。
Additional Neural Resourcr Allocation
Progressive Neural Networks
只训练当前模型的参数，只是将前面模型的参数作为输入，缺点：占用过多额外空间。
PackNet:开一个大的网络但每次task只占用其中一部分，参数保留一小部分
CPG：结合上述两种方法，既进行参数的dropout，也开辟网络空间
Memory Reply
Generating data
生成先前任务的学习资料来用于现在任务的训练。
增加新class方法：
上一篇：【Linux修炼】9.环境变量
下一篇：（十六）Spring对事务的支持