研究区分回放缓存中的可校正偏差与类别对应

一项 arXiv 机器学习研究提出诊断框架，把回放缓存中的预测视为时间异质监督，区分样本存储时已知的类别与之后学到的类别。 在 CIFAR-100 上配合 DER++，用固定常数替换后学类别的未刷新存储分数，误差在 1 个百分点等价范围内，任务级偏移把删除这些匹配的代价从 14.9 降到 1.8 个百分点；而重排存储时已知类别的非目标分数，偏移前后代价分别为 4.3 和 4.0 个百分点，图像蒸馏中也存在类似代价。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。