Incremental Learning
증분 학습은 인공지능 시스템이 새로운 데이터를 통해 새로운 작업을 수행할 수 있도록 지속적으로 학습하면서 이전에 습득한 지식을 유지하는 것을 목표로 합니다. 이 접근 방식은 모델을 지속적으로 업데이트하여 새로운 환경에 적응할 수 있게 하면서도 기존의 지식을 잃지 않도록 하여, 시스템의 장기적인 적응성과 효율성을 향상시킵니다. 이는 중요한 응용 가치를 가지고 있습니다.
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