arXiv cs.AI / cs.LG 最新· Junhui Mao·· 15 小时前AI 评分41
TRACE：通过时序-频谱重建实现内存高效的时间序列类增量学习
TRACE: Memory-Efficient Time Series Class-Incremental Learning via Temporal-Spectral Reconstruction
AI 导读
TRACE 是一个免回放的时间序列类增量学习框架，通过时序-频谱重建替代样本回放，用紧凑冻结的时序-频谱表示与轻量级类专属自编码器保存各类知识，并靠重建打分直接完成分类。在 5 个 TSCIL 基准上，TRACE 相比最强基线 TS-ACL 将平均保留内存降低约 98.26%，并在 GrabMyo 上取得约 33.43% 的相对准确率提升。
标题与摘要由 AI 辅助生成，事实与观点以原文为准。
来源：arXiv cs.AI / cs.LG 最新 · arxiv.org
本站标题、摘要与推荐理由由 AI 辅助生成；原文版权归来源所有。