增量学习简介（incremental learning）

前言

个人认为增量学习的定义的边界并不明显，其与其他概念例如：持续学习(Continual Learning)、终身学习(Lifelong Learning)，在线学习（online learning)，迁移学习(transfer learning)都有交集。

所以我个人粗糙的定义就是：模型基于旧数据学好了参数，但是如今新数据产生了，如何更新模型？

最笨，也最无懈可击的办法就是，将旧数据和新数据混在一起，然后对模型进行继续训练。

现在的一个问题是：能不能不使用旧数据或者少使用旧数据呢？这就是增量学习，也因而有了两种增量学习的方法。前者不使用旧数据，后者少使用旧数据（选一部分作为旧数据的代表）。

重点关注以及解决的问题：

1. 学习新知识。
2. 不遗忘旧知识。

基于正则化的增量学习

模型经过新数据后会得到损失，我们希望在损失中再加一些项，希望其可以反应旧数据在当前模型上的表现。毕竟我们不能使用旧数据，所以这些项反应得准不准确谁都说不清，只要有道理即可。

所以其思想就是：不但在学习新的知识，而且一定程度上保护旧知识。

我们以多任务学习中的多类学习为例来介绍这种类型的增量学习，多任务学习比如你可以理解为之前学的都是猫的图片，现在给了狗的图片，也要学。我们的任务就是要学习一个图片分类器。你会纳闷我为什么要举这个例子，因为这是目前的热点，大家做的也是这个。你去一搜会发现，增量学习前面通常都会加一个词“类”，即增量针对的是类增量，也就是之前是狗，现在是猫。

那么这种增量学习我们怎么做到呢？

我们通常会这么做，前面那些几十层是用来提取图片特征的（猫狗都共享），后面那些一两层是任务特定的（猫，狗各自都有自己的层），有点像预训练模型。
这个时候我们有两种选择：

1. 根据新数据微调，那么会改变共享参数，这个时候旧数据的表现可能会变得很差。
2. 特征抽取，保持共享参数不变，根据新数据只训练新任务的那几个特定层。（也不好，因为之前的共享参数未必学得适用于所有任务，所以单靠后面几层难以学习一个很好的分类器）

Learning without Forgetting (ECCV 2016)提出的LwF算法是基于深度学习的增量学习的里程碑之作。这个其实有点像微调，但是思想上比微调更加丰富。

其算法如下：

理解：相当于引入了新数据在旧模型上的结果作为旧模型的回忆，希望新数据训练完毕之后，这个在新模型上也没有怎么变化，从而希望旧数据输入新模型得到的结果也没有怎么变化。

注意，上面的train下的参数有一个\hat你可以直接理解为在新数据训练后，参数在改变。

基于回放的增量学习

这类问题要考虑如下问题：

1. 要保留旧任务的哪部分数据
2. 以及如何利用旧数据与新数据一起训练模型。

iCaRL: Incremental Classifier and Representation Learning (CVPR 2017)是最经典的基于回放的增量学习模型，iCaRL假设越靠近旧数据均值的样本越有代表性。

GAN

大家都知道GAN网络可以用来在旧数据上进行训练，然后生成狗的图片，下次猫的数据来的时候，相当于让GAN生成狗的图片，然后和猫一起训练。

这个方法其实个人觉得也很局限性，因为其变相保存了旧数据，无非原来是狗图片，现在变成了生成狗图片的GAN参数。

但是，话说回来，其确实没有使用旧数据。

参考：https://blog.csdn.net/abcdefg90876/article/details/114109237。这篇更加详细，为其打call。