【技术实现步骤摘要】
本申请涉及数据标签处理，特别涉及一种基于动态超图连续学习的连续任务数据分类方法及装置。
技术介绍
1、近年来，连续学习在人工智能和机器学习领域引起了广泛的关注。连续学习是一种学习模式，通过按照一定的顺序接收多个任务的数据流，模型在学习完一个任务的知识后，继续学习下一个任务，且不再使用之前任务的数据。这种学习模式更加贴近人脑学习的过程，因为人类的学习方式是随着时间推进不断学习新的知识，而不是同时学习所有知识。
2、相关技术中，在现有的机器学习和人工智能技术使得模型在某些单个任务上具有媲美领域专家的学习能力，并在新任务的数据到来时对模型进行增量式更新。
3、然而，相关技术中，在进行增量式更新后，会大量遗忘旧任务的知识，产生灾难性遗忘问题，重新解决旧任务，会导致预测结果显著下降，亟待改进。
技术实现思路
1、本申请提供一种基于动态超图连续学习的连续任务数据分类方法及装置，以解决相关技术中，在进行增量式更新后，会大量遗忘旧任务的知识，产生灾难性遗忘问题，重新解决旧任务，会导...
【技术保护点】
1.一种基于动态超图连续学习的连续任务数据分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述将所述关联矩阵、所述样本特征和所述样本关联矩阵引入所述超图编码模块，计算输出样本的标签预测值，包括：
3.根据权利要求2所述的方法，其特征在于，所述标签预测值的计算公式为：
4.根据权利要求1所述的方法，其特征在于，所述有标签样本的经验损失项的计算公式为：
5.根据权利要求1所述的方法，其特征在于，所述记忆锚点的重要性的计算公式为：
6.一种基于动态超图连续学习的连续任务数据分类装置，...
【技术特征摘要】
1.一种基于动态超图连续学习的连续任务数据分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述将所述关联矩阵、所述样本特征和所述样本关联矩阵引入所述超图编码模块，计算输出样本的标签预测值，包括：
3.根据权利要求2所述的方法，其特征在于，所述标签预测值的计算公式为：
4.根据权利要求1所述的方法，其特征在于，所述有标签样本的经验损失项的计算公式为：
5.根据权利要求1所述的方法，其特征在于，所述记忆锚点的重要性的计算公式为：
6.一种基于动态超图连续学习的连续任务数据分类装置，其...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。