新的 IIL 设置：仅使用新数据增强已部署的模型

链接表

摘要和1 引言

1. 相关工作

2. 问题设定

3. 方法论

   4.1. 决策边界感知蒸馏

   4.2. 知识巩固

4. 实验结果和5.1. 实验设置

   5.2. 与最先进方法的比较

   5.3. 消融研究

5. 结论和未来工作及参考文献

   \

补充材料

1. IIL中KCEMA机制理论分析的详细信息
2. 算法概述
3. 数据集详情
4. 实现细节
5. 灰尘输入图像的可视化
6. 更多实验结果

3. 问题设定

所提出的IIL设置的说明如图1所示。如图所示，数据在数据流中持续不可预测地生成。通常在实际应用中，人们倾向于首先收集足够的数据并训练一个强大的模型M0用于部署。无论模型多么强大，它不可避免地会遇到分布外数据并在其上失败。这些失败案例和其他低分新观察将被标注以不时训练模型。每次用所有累积数据重新训练模型会导致时间和资源成本越来越高。因此，新的IIL旨在每次仅使用新数据来增强现有模型。

\

\

\

:::info 作者：

(1) 聂强，香港科技大学（广州）；

(2) 付伟福，腾讯优图实验室；

(3) 林宇欢，腾讯优图实验室；

(4) 李佳林，腾讯优图实验室；

(5) 周一峰，腾讯优图实验室；

(6) 刘勇，腾讯优图实验室；

(7) 聂强，香港科技大学（广州）；

(8) 王成杰，腾讯优图实验室。

:::

:::info 本论文可在arxiv上获取，遵循CC BY-NC-ND 4.0 Deed（署名-非商业性使用-禁止演绎4.0国际）许可。

:::

\