Overcoming Catastrophic Forgetting in Tabular Data Classification: A Pseudorehearsal-based approach

本文介绍了一种新的方法学习策略，称为基于表格数据排练的增量终身学习框架(TRIL3)，旨在解决表格数据分类问题中的灾难性遗忘现象，即在适应不断变化的数据分布的同时，不会忘记先前获得的知识，同时巩固新知识。TRIL3使用基于原型的增量生成模型XuILVQ生成合成数据以保留旧知识，并修改为以增量方式运行的DNDF算法来学习表格数据分类任务，而无需存储旧样本。经过不同的测试，以获得合适的合成数据百分比，并将TRIL3与其他可用的CL提议进行比较，我们可以得出结论，TRIL3的性能优于文献中其他选项，仅使用50%的合成数据。

TRIL3框架旨在解决表格数据分类中的灾难性遗忘问题。

TRIL3使用原型增量生成模型XuILVQ生成合成数据来保留旧知识，并使用经过修改的DNDF算法以增量方式学习表格数据分类任务，无需存储旧样本。

TRIL3在多个测试中表现出色，仅使用50％的合成数据即可超越其他现有的CL方法。论文使用了多个数据集进行实验，并提供了开源代码。

近期相关研究包括：Incremental Learning for NLP和Lifelong Machine Learning.