iTAML:正式实施“ iTAML

iTAML：一种与任务无关的增量式元学习方法 正式实施“ iTAML：与任务无关的增量式元学习方法”。 （CVPR 2020） 。 iTAML：一种与任务无关的增量式元学习方法（在2020年于华盛顿州西雅图市举行的IEEE计算机视觉和模式识别会议上接受），假设泛化是持续学习的关键因素。 通过这种追求，我们通过引入一种新颖的元学习方法来学习一组通用参数，这些参数既不特定于旧任务也不适用于新任务，而该方法旨在保持所有遇到的任务之间的平衡。 这是通过与任务无关的元更新规则来确保的，该规则避免了灾难性的遗忘。 当呈现连续数据时，我们的模型会自动识别任务并仅需一次更新即可快速适应任务。 此代码提供了iTAML的实现。 该存储库使用PyTorch实施，并且包含用于在MNIST，SVHN，CIFAR100，ImageNet和MS-Celeb-10K数据集上运行增量学习域实验的代码。 （a）iTA