قاموس الذكاء الاصطناعي
القاموس الكامل للذكاء الاصطناعي
iCaRL (المصنف والتعلم التمثيلي التدريجي)
إطار عمل للتعلم التدريجي يجمع بين إعادة تشغيل الأمثلة وتقنيات تقطير المعرفة للحفاظ على الأداء في الفئات التي تم تعلمها مسبقًا.
إعادة تشغيل التجربة المظلمة (DER)
نهج إعادة التشغيل الذي يخزن ليس فقط البيانات الخام ولكن أيضًا التمثيلات الكامنة والقيم اللوجيتية (logits) لإعادة بناء المعرفة السابقة بشكل أكثر فعالية أثناء التعلم المستمر.
إعادة التشغيل التأملية
استراتيجية إعادة تشغيل انتقائية تستخدم معلومات وصفية حول الأداء السابق لتحديد وإعادة استخدام الأمثلة الأكثر حرجة لتجنب النسيان الكارثي.
أخذ العينات من الخزان
خوارزمية أخذ عينات عشوائية تحافظ على مجموعة تمثيلية بحجم ثابت من تدفق البيانات، مما يضمن لكل مثال احتمالية متساوية للاحتفاظ به في مخزن إعادة التشغيل المؤقت.
إعادة تشغيل المخزن المؤقت الحلقي
هيكل ذاكرة دائرية تستبدل الأمثلة القديمة بالجديدة عندما يمتلئ المخزن المؤقت، مع إعطاء الأولية للبيانات الأحدث مع الحفاظ على حجم ذاكرة ثابت.
إعادة التشغيل المتوازنة
تقنية إعادة تشغيل تحافظ على التوازن بين أمثلة الفئات أو المهام المختلفة لتجنب تحيز التوزيع وضمان توزيع عادل للمعرفة.
إعادة التشغيل المنهجية
نهج لإعادة التشغيل المنظم يقدم الأمثلة القديمة وفقًا لتسلسل تربوي مثالي، عادة من البسيط إلى المعقد، لتسهيل دمج المعرفة الجديدة.
إعادة التشغيل الهجينة
استراتيجية تجمع بين عدة طرق لإعادة التشغيل (البيانات الخام، والعينات المولدة، والتمثيلات) لتعظيم الاحتفاظ بالمعرفة مع تحسين استخدام موارد الذاكرة.
إعادة التشغيل الزمني
طريقة إعادة التشغيل التي تأخذ في الاعتبار التسلسل الزمني للأمثلة، مع التركيز على الاحتفاظ بالأنماط المعتمدة على الوقت والعلاقات السببية في البيانات المتسلسلة.
إعادة التشغيل باختيار مجموعة النواة
طريقة خوارزمية تختار مجموعة فرعية دنيا من الأمثلة (مجموعة النواة) لتعظيم تمثيل البيانات السابقة ضمن ميزانية ذاكرة معينة.
التحكم العصبي الحلقي
بنية تجمع بين الذاكرة الحلقية القابلة للاشتقاق وإعادة التشغيل الانتقائية لتعلم مستمر فعال، وتناسب بشكل خاص بيئات التعزيز.
إعادة التشغيل عبر التعلم الفوقي
نهج يتعلم فيه النموذج كيفية اختيار واستخدام أمثلة إعادة التشغيل بشكل فعال، مع التكيف ديناميكيًا مع خصائص المهام الجديدة.