
Das Erlernen neuer Klassen führt oft zum Überschreiben von alten Klassen. EASE ermöglicht das Aktualisieren des Modells ohne die früheren Kenntnisse zu beeinträchtigen, indem es für jede neue Aufgabe ein leichtgewichtiges Adapter-Modul trainiert, um aufgabenspezifische Teilräume zu schaffen.


coremsg

erweiterbare-subspace-ensemble-für-vortrainierte-modellbasierte-klasseninkrementelle-lernen


Erweiterbare Subspace-Ensemble für vortrainierte modellbasierte klasseninkrementelle Lernen


title_rewrite


Das Erlernen neuer Klassen führt oft zum Überschreiben von alten Klassen, was zu katastrophalem Vergessen führt. EASE löst dieses Problem, indem es leichtgewichtige, aufgabenspezifische Adapter-Module für jede neue Aufgabe trainiert, um aufgabenspezifische Subräume zu schaffen. Diese Adapter ermöglichen eine gemeinsame Entscheidungsfindung über mehrere Subräume hinweg, ohne dass alte Klassen vergessen werden.
