Incremental Learning
Incremental Learning strebt danach, künstliche Intelligenzsysteme zu entwickeln, die kontinuierlich aus neuen Daten lernen können, um neue Aufgaben zu bewältigen, während sie gleichzeitig das bereits erworbenen Wissen beibehalten. Dieser Ansatz aktualisiert das Modell ständig und ermöglicht es, sich an neue Umgebungen anzupassen, ohne altes Wissen zu vergessen. Dadurch wird die langfristige Anpassungsfähigkeit und Effizienz des Systems verbessert, was einen bedeutenden Anwendungswert hat.
CIFAR-100 - 40 classes + 60 steps of 1 class (Exemplar-free)
FeTrIL
CIFAR-100 - 50 classes + 10 steps of 5 classes
DER(Standard ResNet-18)
CIFAR-100 - 50 classes + 2 steps of 25 classes
TCIL
CIFAR-100 - 50 classes + 25 steps of 2 classes
RMM (Modified ResNet-32)
CIFAR-100 - 50 classes + 5 steps of 10 classes
PPCA-SWSL
CIFAR-100 - 50 classes + 50 steps of 1 class
PODNet
CIFAR-100-B0(5steps of 20 classes)
CIFAR100-B0(10steps of 10 classes)
CIFAR100B020Step(5ClassesPerStep)
CIFAR100B050S(2ClassesPerStep)
DER(ResNet-18)
ImageNet - 10 steps
ImageNet-100 - 50 classes + 10 steps of 5 classes
RMM (ResNet-18)
ImageNet-100 - 50 classes + 25 steps of 2 classes
ImageNet-100 - 50 classes + 5 steps of 10 classes
RMM (ResNet-18)
ImageNet-100 - 50 classes + 50 steps of 1 class
PODNet
ImageNet-10k - 5225 classes + 5 steps of 1045 classes
PPCA-CLIP
ImageNet - 500 classes + 10 steps of 50 classes
PODNet
ImageNet - 500 classes + 25 steps of 20 classes
RMM (ResNet-18)
ImageNet - 500 classes + 5 steps of 100 classes
RMM (ResNet-18)
ImageNet100 - 10 steps
RMM (ResNet-18)
ImageNet100 - 20 steps
FOSTER
MLT17
MRM