提出DuoCL双路径在线持续学习框架
热点事件持续更新
提出DuoCL双路径在线持续学习框架
1 篇报道1 个报道来源13 小时前更新
先了解这件事
AI 综述
2026年11月19日,Jebacyril Arockiaraj等人在arXiv平台发布技术报告,正式提出名为DuoCL的双路径在线持续学习框架。该框架主要包含两条独立路径:快速解析路径和慢速路径。 快速解析路径的设计机制是从每个传入的小批量数据中积累特征统计;而慢速路径则根据可用的计算预算,定期调整骨干网络参数。这种双路径架构旨在平衡在线学习的实时性与模型性能。 在实验性能方面,DuoCL在四个数据集和三种计算预算设置下,相较于最强的基于梯度的基线方法,在线准确率平均提升了9.67个百分点。特别是在处理分布漂移问题时,该框架表现优于纯解析学习方法,在CIFAR-C数据集上的准确率提升最高达4.00个百分点。
AI 根据报道生成 · 11 小时前更新
最新进展11月19日 13:00
DuoCL: 双路径在线持续学习框架报道时间线
沿着报道,了解事件的不同侧面。
11月19日
- arXiv · MLDuoCL: 双路径在线持续学习框架
DuoCL 是一种双路径在线持续学习(OCL)框架,在四个数据集和三种计算预算下,相比最强的基于梯度的基线方法,在线准确率平均提升 9.67 个百分点。 该框架包含快速解析路径和慢速路径:快速路径从每个传入的小批量中积累特征统计,慢速路径根据可用计算预算定期调整骨干网络。在分布漂移下,DuoCL 始终优于解析学习,在 CIFAR-C 上准确率提升最高达 4.00 个百分点。
本事件热度走势
- 可比范围当前
- 7
- 可比范围峰值
- 911月19日 15:00
- 近 24 小时变化
- –
02.557.510
16:0018:0020:0022:0011月20日
趋势仅比较持续完整观测到的相同主体,范围可能小于当前热度统计。移动指针或点击图表查看每小时热度;键盘可用左右方向键切换。