知识卡片
GEM利用旧样本约束更新方向
梯度回放方法 GEM 保留有限的旧任务样本,计算旧任务梯度,并在必要时将当前任务梯度投影到满足旧任务约束的方向,降低一步更新对旧任务损失的不利影响。它需要记忆预算;局部约束也不保证整个训练过程完全没有遗忘。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 终身学习 16.3 终身学习问题的主要解法 · 查看原书依据
其实,在基于正则的方法出现之前,还有一类方法,叫作梯度回合记忆(Gradient Episodic Memory,GEM). GEM不是在参数上做限制,而是在梯度更新的方向上做限制,因此又称为基于梯度的方法. 如图16.12所示,GEM在计算当前任务梯度方向的同时,会回头计算历史任务所对应的梯度方向,然后对这两个梯度进行向量求和,得出实际的梯度方向,这样持续更新下去,就能尽可能接近一个不会陷入灾难性遗忘的最优解. 此外,新的梯度方向需要满足的条件,否则很难朝最优解方向优化.
参考来源
- 位置:《深度学习详解》第16章《终身学习》16.3 终身学习问题的主要解法(来源项目 book-source:`extracted/深度学习详解/_epub-src/OEBPS/Text/Chapter16.xhtml`)
- 结论依据:原文和图说明顺序遗忘、性能表、参数重要性和 GEM;GEM 的数据存储及投影按方法含义澄清。
- 原始内容:其实,在基于正则的方法出现之前,还有一类方法,叫作梯度回合记忆(Gradient Episodic Memory,GEM). GEM不是在参数上做限制,而是在梯度更新的方向上做限制,因此又称为基于梯度的方法. 如图16.12所示,GEM在计算当前任务梯度方向的同时,会回头计算历史任务所对应的梯度方向,然后对这两个梯度进行向量求和,得出实际的梯度方向,这样持续更新下去,就能尽可能接近一个不会陷入灾难性遗忘的最优解. 此外,新的梯度方向需要满足的条件,否则很难朝最优解方向优化.