task incremental setting下的持续学习

在一系列的任务下，不同时刻到达的数据来自不同的任务，每个时刻拿到的数据是这个任务的全部数据，后续不会再拿到之前拿到过的数据。优化的目标是：

也就是在tao时刻的任务完成后，回头看所有任务上的loss之和都要最小。

持续学习的方法论

脉络：

具体分为三种方法（也有部分相互重叠）：

• replay
• regularization-based
• parameter isolationreplay
• rehearsal：在训练的时候把存起来的一个子集一起拿来训练。
• constrained optimization：不那么容易过拟合在选出来的那些之前的子集。限制新的任务不要在旧的任务上跑inference，通过把之前的任务梯度投影到可观测范围。
• pseudo rehearsal：给之前的模型喂随机数据。是一些早期的工作。

regularization-based

• data-focused:对之前任务的模型做知识蒸馏，作用在当前新数据下的模型。
• prior-focused:估计模型参数的分布作为先验。如果后续任务改变了重要参数会被惩罚。

parameter-isolation

把各种任务的参数都分离开。

怎么平衡stability和flexibility？

• 最大化flexibility的搜索：把在原来任务上的参数复制一份到新任务上，通过粗的grid search去搜学习率，挑出在新的这个复制参数上得到的最好性能（在新任务的验证集上），这个性能acc称为A*，学习率叫η*，也就是这个时候暂时不考虑过去任务的表现
• stability decay：用这个η*训练原来的参数，要把相关的超参调到最高来达到最小遗忘。定义一个阈值p在A*上，来保证不会比A*小得太多，如果真的小的太多了，那么定义一个超参衰减因子α，把原来的超参衰减直到满足这个阈值。

这个过程写成代码：

这里好像没有体现出复制参数这回事。

各种方法的大概模型

replay

• iCaRL: class-incremental，存下了之前任务里面每个类最靠近这个类内平均特征的样本。使用蒸馏。
• GEM: 把当前任务梯度投影到可观测范围，和之前任务的梯度作比较。

把这些样本存起来会导致需要更多的资源和内存。

regularization-based

• Learning without Forgetting(LwF): 在新任务训练之前，先记录对新任务数据的输出，然后用来蒸馏之前的知识。但这个方法对新任务和旧任务之间的联系有依赖关系，如果一直给差的很远的任务，错误会不断累积。
• Encoder Based Lifelong Learning(EBLL):扩展了LwF，对不同的任务把原来低维的特征过一层自编码器。
• Elastic Weight Consolidation (EWC): 在训练之后决定当前这个新任务的重要性。不知道细节在干嘛。

• Synaptic Intelligence (SI)： 在训练的时候就给出这个重要性。不知道细节在干嘛。

• Memory Aware Synapses (MAS)：

• Incremental Moment Matching (IMM)： 对过去的模型参数去加权平均。提出三种方法：
  • 用之前任务的参数初始化当前任务的参数
  • 把之前的任务参数通过一层特殊的dropout
  • 用l2正则处理之前的任务参数

parameter-isolation

• PackNet: 先不修改之前的参数，但是会去掉一些不重要的参数（通过一定的计算方法），然后剩下的参数被拿到训练里。
• HAT: 略。

综述里还有对各个方法的一个总结性表格。

iCaRL

class-incremental manner:

• 每次到达的数据都是不同类的。
• 需要对已经观测到的多个类的分类。
• 计算开销有限，或者缓慢增加。

iCaRL的三个内容：

• nearest-mean-of-exemplars rule的分类
• prioritized exemplar selection
• 知识蒸馏、样本回顾的表示学习

nearest-mean-of-exemplar

分类的算法：

表示学习

也就是，给一堆新类和旧类的采样样本混起来，把当前模型先跑在旧类的采样样本上得到一些当前的分类，然后再用下面的loss训练。这个loss兼顾了新类的分类精确度，也有蒸馏部分，减少灾难性遗忘。这里的g_y只是声明类别，并不是过去时刻的模型。旧类采样样本存的是原图像而不是而不是特征向量，特征向量会因为随着时间变化而固定住，最后变得outdated。但是把他固定住有什么不好？感觉可以放松要求，不一定总是那几个值。

exemplar management

终于到了怎么选取采样样本的方法了，之前一直避而不谈。 在给定希望对新类建立m个采样样本的时候，用下面的方法构建采样样本集合。先算出整个类内的平均特征，然后逐个地找到离这个特征最近的那些样本，下面的argmin是在给定第k个采样样本之前的那些样本和当前正要加进来的第k个样本做平均，希望这个均值离全局均值最低。 P集合的顺序是有意义的，越靠前的样本越靠近均值。这样设计是因为前面看过的类是不可以再看到了，所以只能存下来。这样保证了就算采样样本变少了，也能看见平均的特征均值。

这只是对新类增加采样样本，然而在固定存储K个样本的时候，旧类需要减少已经存了的样本，也就是把原来存的一堆样本只取前m个。这里的m是K/t得出来的，t是已经观测的类数。

整个算法如下：

看起来iCaRL确实是共用了最后的分类头。

Learning without Forgetting

可以看作是蒸馏和finetune的结合。 在多任务尺度下的各种方法：

但是按照这种方法，好像后面的任务只能是前面任务的子集。 用了各种提点的小技巧，比如正则化，warm-up，temperature之类的技巧。

Gradient Episodic Memory for Continual Learning

这个ACC指的是在把所有任务都学完之后逐个任务跑test求avg。其中 \bar{b_i} 是随机初始化下对第i个任务的acc。当ACC相同时，更大的BWT或FWT是更优的。

GEM的核心是：

其中的M_k是前面任务的采样样本。这样可以让BWT不至于变得太不好。当找不到这样的g，那就退而求其次找一个\tilde{g}，使得

不过事实上这里也不用存下来这个M_k，只需要把前面任务的梯度存下来就好了。也就像投影，不过这个投影是在垂直方向上的。至于这个投影的具体实施办法，还是参照原文吧，数学推导有点看不懂。GEM的算法（这里的g是上面那个g）：

End-to-End Incremental Learning

两个成分：representative memory和deep network。

• representative memory：和iCaRL类似的保存一些采样样本。甚至保存样本的手段都是一样的，取均值最近的那些样本。
• deep network：一样的特征提取和分类头。但这里强调允许特征提取部分的fine-tune（虽然没人不允许特征提取部分是固定的）。这里的loss和iCaRL稍微不一样，表现在loss是整体都用的交叉熵。

这里的pdist和qdist是加了temperature的。

整体来看，pipeline有四步，这也是和iCaRL不一样的地方：

1. 构建训练集，在这里加上data-augmentation。原文用了亮度、对比度、随机裁剪和镜像翻转。
2. 训练。训练会把网络所有部分放开，包括特征提取部分。
3. 挑训练集上的一个小部分出来fine-tune。为了平衡新类数目会远远多于采样样本数目，在训练之后加一个fine-tune环节，把新类的数目削减到和其他的一样多，跑在一个小学习率上。
4. 修改representative memory。和iCaRL策略是一样的。

Faster ILOD: Incremental Learning for Object Detectors based on Faster RCNN

目标检测比分类更加困难，因为不止有灾难性遗忘的问题，还有在新任务的数据里是没有旧类标签的。 是class incremental的。 这里不避开新任务里含有旧物体的样本，不过没有了旧物体的label。

这里的设计基于Faster RCNN。在原来的基础上引入蒸馏以及各部分的loss。模式为：

在原有的loss上加上FE、RPN和RCN的loss。

• FE的loss为：

• RPN的loss为：

这里的q是分类输出，r是锚框输出，\tau是一个阈值。

• RCN的loss为：

其中K是所有的RoI数，C_o是旧类且包含背景的总数，\tilde{p}是零均值下的分类结果，t是锚框输出。

• 最终的loss：L_{total} = L_{RCNN} + \lambda_1 L_{F_{Dist}} + \lambda_2 L_{RPN_Dist} + \lambda_3 L_{RCN_Dist}

Overcoming Catastrophic Forgetting in Incremental Object Detection via Elastic Response Distillation

同样是蒸馏下的目标检测，不过这里不细分RPN和RCN，因为这里也没有说是RCNN的任务。一样的蒸馏，不一样的loss而已。对分类，loss从

变成了

这个motivation是KL下如果weight不恰当的话，背景类会远远多于非背景类，损害旧知识的保留。新loss的C_T^i是教师模型在m种选择的类别中的预测概率。

对于锚框的回归，先建模

，表示锚框的矩阵，以及

来标识T的锚框和S的锚框的差距，最后累加起来

这里的J是由algorithm 1选出来的。

algorithm 1是本文的novelty所在。之前的阈值或者topK的选取锚框都很粗糙，导致如果阈值太小就会忽略旧的物体，而阈值太大就会带来负的response。algorithm 1:

分类的时候取\tau_{C^{‘}}作为阈值，而回归（锚框）的话先把最高的置信度的锚框挑出来，然后去选阈值，最后一并nms。这样干的motivation：平衡不同response，在正态分布上取阈值是合适的response数目；在IOD任务上背景类远远多于物体类，一个较大的均值μ代表着更好的候选物体质量，可以挑选足够多的正类response。