Continual Learning with Deep Generative Replay

URL

• https://arxiv.org/pdf/1705.08690.pdf

TL;DR

• 本文提出一种学者模型用于处理持续学习问题，依次训练每个任务，每个任务都有一个学者模型，每个学者模型包括一个生成器和一个求解器
• 生成器的作用是生成与 旧任务 真实样本同分布的样本
• 求解器的作用是求解任务
• 二者分开训练

Algorithm

网络结构

• 根据 task 顺序训练 学者模型。
• 训练新任务生成器时，新任务生成器负责 模仿新任务的真实数据和旧任务的生成器数据，这里的生成器实际上是指一整个 GAN，可以对抗学习来模拟样本分布。
• 训练新任务的求解器时，求解器会映射 x -> y，这里的 x 来自第 i 个任务的真实样本和第 i-1 个任务的生成样本，生成样本的 label 来自于第 i-1 个任务的求解器的输出。

Loss 设计

• loss
  $L_{train}(\theta_i) = r\mathbb{E}_{(x,y) \sim D_i}[L(S(x;\theta_i), y)] + (1-r)\mathbb{E}_{x' \sim G_{i-1}}[L(S(x';\theta_i), S(x';\theta_{i-1}))]$

  其中，$D_i$ 表示第 i 个任务的数据，$G_{i-1}$ 表示第 i-1 个任务的数据生成器。

  $L_{test}(\theta_i) = r\mathbb{E}_{(x,y) \sim D_i}[L(S(x;\theta_i), y)] + (1-r)\mathbb{E}_{(x,y) \sim D_{past}}[L(S(x;\theta_i), y)]$

  其中，$D_{past}$ 表示过去数据的积累分布

Thought

• 感谢 GAN，感恩 Ian Goodfellow