Kontinuierliches Lernen von Mehrklassen-Klassifikationsmodellen durch Selbstkalibrierung der Konfidenz

Das vorgeschlagene Verfahren zur Selbstkalibrierung der Konfidenz in kontinuierlichen Mehrklassen-Klassifikationsmodellen überwindet die Herausforderung der partiellen Etikettierung, indem es die Beziehungen zwischen Klassen über einen klasseninkrementellen Graphen-Konvolutionsnetwerk (CI-GCN) modelliert und eine Max-Entropie-Regularisierung zur Kalibrierung der Konfidenz verwendet.