HyperAI
Command Palette
Search for a command to run...
التعلم المستمر
التعلم المستمر، المعروف أيضًا بالتعلم التدريجي أو التعلم مدى الحياة، يشير إلى طرق تدريب النماذج التي تتعلم مهامًا عديدة بشكل متسلسل دون نسيان المعرفة المكتسبة من المهام السابقة. في السيناريوهات التي لا يمكن فيها إعادة زيارة البيانات، يتم تقييم وتقويم الأداء بتقديم معرفات المهام، بهدف معالجة مشكلة الحفاظ على أداء النموذج عبر المهام المتغيرة باستمرار، مما يحمل قيمة تطبيقية كبيرة.
ASC (19 tasks)
CTR
visual domain decathlon (10 tasks)
Res. adapt. decay
Tiny-ImageNet (10tasks)
ALTA-ViTB/16
Cifar100 (20 tasks)
Model Zoo-Continual
F-CelebA (10 tasks)
CAT (CNN backbone)
ImageNet (Fine-grained 6 Tasks)
CondConvContinual
Wikiart (Fine-grained 6 Tasks)
Stanford Cars (Fine-grained 6 Tasks)
CPG
Sketch (Fine-grained 6 Tasks)
20Newsgroup (10 tasks)
Flowers (Fine-grained 6 Tasks)
CondConvContinual
DSC (10 tasks)
CTR
CUBS (Fine-grained 6 Tasks)
CondConvContinual
ImageNet-50 (5 tasks)
CondConvContinual
Cifar100 (10 tasks)
RMN (Resnet)
Permuted MNIST
RMN
split CIFAR-100
Rotated MNIST
Model Zoo-Continual
5-dataset - 1 epoch
5-Datasets
TinyImageNet ResNet-18 - 300 Epochs
CIFAR-100 AlexNet - 300 Epoch
CIFAR-100 ResNet-18 - 300 Epochs
IBM
Split MNIST (5 tasks)
H$^{2}$
Split CIFAR-10 (5 tasks)
H$^{2}$
MLT17
MiniImageNet ResNet-18 - 300 Epochs
miniImagenet
mini-Imagenet (20 tasks) - 1 epoch
TAG-RMSProp
Cifar100 (20 tasks) - 1 epoch
Coarse-CIFAR100
Model Zoo-Continual
CUB-200-2011 (20 tasks) - 1 epoch