一种基于GRU的增量学习算法

作者：黄振峰^*; 王浩洋

来源：广西大学学报(自然科学版), 2023, 48(03): 683-691.

DOI：10.13624/j.cnki.issn.1001-7445.2023.0683

• 增量学习
• 灾难性遗忘
• 神经网络
• 特征融合
• 门控循环单元

为了提高增量学习过程中模型的灵活性，本文提出一种基于门控循环单元(gate recurrent unit, GRU)的增量学习算法。为了保证模型的稳定性，提出共享主干特征提取网络的低级特征。基于GRU设计了特征融合模块和伪增量学习算法；特征融合模块能够融合神经网络为不同任务产生的高级特征，重建特征表示与分类器的对应关系，实现增量学习过程中神经网络的灵活性。为了验证算法稳定性，本文在CIFAR100、miniImageNet和ImageNet1000数据集上与其他增量学习算法进行了对比实验，分别实现了0.173 0、0.174 7与0.223 0的表现下降率，比最好的基准算法提升了0.028 9、0.059 4与0.011 6。为了验证算法的灵活性，本文在ImageNet1000数据集上实现了0.753 4的top1准确率，比最好的基准算法高出0.129 0。

• 单位
  广西大学