对于实际应用,经常存在概念漂移,即输入和输出之间的关系随时间而变化。因此,我们需要我们的人工智能或机器学习系统来快速适应环境。
使神经网络快速适应不断变化的监督学习环境的最常用方法是什么?有人可以提供一篇好的评论文章的链接吗?
对于实际应用,经常存在概念漂移,即输入和输出之间的关系随时间而变化。因此,我们需要我们的人工智能或机器学习系统来快速适应环境。
使神经网络快速适应不断变化的监督学习环境的最常用方法是什么?有人可以提供一篇好的评论文章的链接吗?
对于输入和输出之间存在动态(并且假定为非线性)关系的绝大多数情况,您不会使用修改后的架构。您只需重新训练新数据即可。
在某些情况下,基于领域知识或直觉,人们可能会对新数据施加“权重”,以增加或降低其相对于先前数据的重要性。
有一些尝试(主要是那些研究一次性学习的人)来创建仅用几个样本就可以快速有效地适应新数据的 NN。但是,其中大多数还没有准备好解决任何类似于现实世界的问题(特别是在表格数据上)。