👦Lingsgz

Chrysakis, Aristotelis, and Marie-Francine Moens. "Online bias correction for task-free continual learning." ICLR 2023 at OpenReview (2023).code not available_论文阐述了传统的无任务的持续学习训练范式高估了当前流观测的重要性，造成了持续学习的预测偏差。因此提出了一个新的度量以量化预测偏差，阐明通过适当修改模型最后一层的参数，可以有效地减轻这种偏差。同时设计了OBC以维持无任务持续学习的无偏训练。论文的相关工作中提到了__持续学习是从非平稳

Incremental Learning(GH)Domain adaptation via transfer component analysis(CP)Unsupervised Domain Adaptation by Backpropagation(CP)Transfer Learning survey(Zhihu)

Hou, Yunzhong, and Liang Zheng. "Visualizing adapted knowledge in domain transfer." Proceedings of the IEEE/CVF conference on computer vision and pattern recognition. 2021.code available这篇论文是研究了UDA中适应知识可视化的科学问题。具体来说，我们提出了一种无源图像转换（SFIT）方法，该方法在源模型和目标模型的指导下，从原始目标图像中生成源式图像。源模型上的翻译图像获得了与目标模型上的目标图像相似的结果，表

Kim, Chris Dongjoo, et al. "Continual learning on noisy data streams via self-purified replay." Proceedings of the IEEE/CVF international conference on computer vision. 2021.code availablerelated papers这篇论文是关于持续学习和噪声标签数据学习的。噪声标签数据会加剧灾难性遗忘。该论文提出的SPR通过自中心过滤器将delayed buffer中的数据处理成puried buffer。然后基于P和D来

**今天看到有不少的关于 GPT/LLM 以及 AGI 的讨论，有感而发。其实从一开始接触到人工智能这个概念就会引起这个思考，人工智能的发展能否取代甚至超越人类的思维。在GPT出来之前，就已经想过这个问题。而广泛接受的通用人工智能的定义是可以执行复杂任务的人工智能，能够完全模仿人类智能的行为，能够执行任何人类智能活动的计算机系统。那么最关键的属性或者说能力，就不可避免的包括这几点：①获取知识：目前人工智能训练的材料都是通过各种方式采集的，这些数据的采集方式决定了其不完备性，这是和人类不同感官同时接触世界的区别之处。人工智能的训练可以使用人类采集的数据，但是通用人工智能最佳的训练方式应当是自行收