本报讯 近日，依托于中国科学院沈阳自动化研究所的机器人学国家重点实验室提出了一种连续多视角任务学习算法，可有效解决现存大部分多视角任务学习模型不能满足让机器人快速学习新任务的问题。相关成果已发表于《IEEE神经网络及学习系统汇刊》。
在诸多实际场景中，当多视角学习任务按序列顺序到来时，重新训练以前的任务往往会产生较高的存储需求和计算成本。
为应对这一挑战，科研人员在该研究中提出了一种集成了深度矩阵分解和稀疏子空间学习的连续多视角任务学习模型，称之为深度连续多视角任务学习。当新的多视角任务到来时，首先采用深度矩阵分解技术捕捉新任务中的隐含和分层表达知识，同时以一种逐层的方式存储这些新鲜的多视角知识。稀疏子空间学习模型应用于每一层抽取的因子矩阵，并通过自表达约束捕获跨视角关联。 （沈春蕾 戴天骄）
相关论文信息：https://doi.org/10.1109/TNNLS.2020.2977497
《中国科学报》 (2020-04-09 第3版 综合)
