Papers with Code 아카이브
Incremental Learning
태스크의 하위 분류와 논문·코드·평가·기법·데이터셋을 탐색하세요.
- 하위 태스크
- 0
- 평가표
- 22
- 보존된 평가 기록
- 112
Incremental learning aims to develop artificially intelligent systems that can continuously learn to address new tasks from new data while preserving knowledge learned from previously learned tasks.
논문
이 태스크와 하위 분야의 관련 논문입니다. 실제 성능 비교는 평가 결과에서 확인하세요.
REAL-OW: 저랭크 적응과 이중 단계 객체성 모델링을 활용한 리허설 없는 개방 세계 객체 검출
DRDN: 처음부터 학습하는 ViT 클래스 증분 학습을 위한 분리 표현 동적 네트워크
Spectral Imbalance Causes Forgetting in Low-Rank Continual Adaptation
연합 클래스 증분 학습을 위한 Fisher 라우팅 전문가 혼합
클래스 증분 학습을 위한 프로토타입 잠재 세계 모델 리플레이
망각-보존 딜레마: 지속 학습에서의 인증된 언러닝 이론
뉴럴 서브스페이스 재할당: 검색 기반 서브스페이스 메모리 관리로서의 지속 학습
동차 심층 네트워크에서의 지속 학습 수렴
지속 학습을 위한 에너지 구조화 저랭크 적응
하나의 어댑터가 다수를 대변할 때: 지속적 미세조정에서 저랭크 중복성 발견
효율적인 장기 콜드 스타트 지속 학습을 위한 데이터 없는 리저voir 특징
Geometry-Anchored Transport Framework for Exemplar-Free Class-Incremental Learning
BOFA: Bridge-Layer Orthogonal Low-Rank Fusion for CLIP-Based Class-Incremental Learning
SEAL: Searching Expandable Architectures for Incremental Learning
Mamba-FSCIL: Dynamic Adaptation with Selective State Space Model for Few-Shot Class-Incremental Learning
비정상 환경을 위한 연상 기억: Hopfield 네트워크의 자기 크기 조절 일반화
고도 이질적 태스크 전반의 지속 학습을 위한 태스크 차별화 원자 스킬 확장 및 라우팅
멀티헤드 어텐션 트랜스포머와 온라인 학습을 활용한 예측적 수리 관리
이미지 표현 및 분류를 위한 Learning Entropy 시그니처
클래스 증분 모션 예측
물리적 적응형 재료 운동 단위 신경망: 습윤 변형 복합 재료 기계
PLATE: 기하 인식 지속 학습을 위한 가소성 조절형 효율적 어댑터
관점: 모듈형 메모리는 지속적 학습 에이전트의 핵심이다
차원성은 지속적 학습에서 모듈성이 유용한 시점을 제어한다
치명적 망각은 저계수입니다: 지속적 적응을 위한 함수 공간 이론
안정적 복구 매니폴드: 지속적 학습에서 복구 가능성을 지배하는 기하학적 원리
MOSAIC: 파킨슨병 보행 평가에서 점진적 지속 학습을 위한 모달리티별 적응
정확하고 자원 효율적인 연합 지속 학습
Balancing the Past and Present: A Coordinated Replay Framework for Federated Class-Incremental Learning
Addressing Imbalanced Domain-Incremental Learning through Dual-Balance Collaborative Experts
DuET: Dual Incremental Object Detection via Exemplar-Free Task Arithmetic
Class-Incremental Learning for Honey Botanical Origin Classification with Hyperspectral Images: A Study with Continual Backpropagation
Hyperbolic Dual Feature Augmentation for Open-Environment
L3A: Label-Augmented Analytic Adaptation for Multi-Label Class Incremental Learning
CL-LoRA: Continual Low-Rank Adaptation for Rehearsal-Free Class-Incremental Learning
출처: Papers with Code · CC BY-SA 4.0. 아카이브 자료와 새로 수집한 논문은 별도로 관리합니다.