COPE-CGL: Добыча прототипа, доступного для репроигрывания и свободного непрерывного обучения графом

arXiv: 261 0.305313v2 Annuates Type: заменить резюме: постоянное обучение графу (CGL) поддерживает модели по мере того, как графики развиваются без переподготовки с нуля и одновременно смягчают катастрофические забвения. Существующие методы, как правило, ориентированы на трансдуктивные или индукционные настройки и часто хранят прошлые подграфы или требуют идентификации задач в момент вывода. Мы предлагаем вычислить прототипы, которые будут использоваться для непрерывного графического обучения (CopE-CGL), без воспроизведения рамок, в которых не будет параметров, предварительно сглаживаемых многохоповым лапласианским гладением, чтобы закрепить обучение, память и выводы. COPE-CGL сочетает в себе адаптацию к узкому участку, разработанную топологами, прототипы на уровне общин и динамический маршрут большинством голосов по сравнению с матчами Node-to-prototyle. По умолчанию протокол предполагает, что каждый испытательный график исходит из одной заданной задачи; вариант узла обрабатывает графики с смешанной задачей. Каждая задача добавляет по крайней мере постоянное количество хранилищ, при этом не сохранены данные прошлых графиков. При равном хранении и без идентификаторов задач, C