●譯者序
前言
致謝
章引言1
1.1傳統機器學習範式1
1.2案例3
1.3終身學習簡史7
1.4終身學習的定義9
1.5知識類型和關鍵挑戰14
1.6評估方法和大數據的角色17
1.7本書大綱18
第2章相關學習範式20
2.1遷移學習20
2.1.1結構對應學習21
2.1.2樸素貝葉斯遷移分類器22
2.1.3遷移學習中的深度學習23
2.1.4遷移學習與終身學習的區別24
2.2多任務學習25
2.2.1多任務學習中的任務相關性25
2.2.2GO-MTL:使用潛在基礎任務的多任務學習26
2.2.3多任務學習中的深度學習28
2.2.4多任務學習與終身學習的區別30
2.3在線學習30
2.4強化學習31
學習32
2.6小結34
第3章終身監督學習35
3.1定義和概述36
3.2基於記憶的終身學習37
3.2.1兩個基於記憶的學習方法37
3.2.2終身學習的新表達37
3.3終身神經網絡39
3.3.1MTL網絡39
3.3.2終身EBNN40
3.4ELLA:高效終身學習算法41
3.4.1問題設定41
3.4.2目標函數42
3.4.3解決個低效問題43
3.4.4解決第二個低效問題45
3.4.5主動的任務選擇46
3.5終身樸素貝葉斯分類47
3.5.1樸素貝葉斯文本分類47
3.5.2LSC的基本思想49
3.5.3LSC技術50
3.5.4討論52
3.學習的領域詞嵌入52
3.7小結和評估數據集54
第4章持續學習與災難性遺忘56
4.1災難性遺忘56
4.2神經網絡中的持續學習58
4.3無遺忘學習61
4.4漸進式神經網絡62
4.5彈性權重合並63
4.6iCaRL:增量分類器與表示學習65
4.6.1增量訓練66
4.6.2更新特征表示67
4.6.3為新類構建範例集68
4.6.4在iCaRL中完成分類68
4.7專家網關69
4.7.1自動編碼網關69
4.7.2測量訓練的任務相關性70
4.7.3為測試選擇最相關的專家71
4.7.4基於編碼器的終身學習71
4.8生成式重放的持續學習72
4.8.1生成式對抗網絡72
4.8.2生成式重放73
4.9評估災難性遺忘74
4.10小結和評估數據集75
第5章開放式學習79
5.1問題定義和應用80
5.2基於中心的相似空間學習81
5.2.1逐步更新CBS學習模型82
5.2.2測試CBS學習模型84
5.2.3用於未知類檢測的CBS學習84
5.3DOC:深度開放式分類87
5.3.1前饋層和一對其餘層87
5.3.2降低開放空間風險89
5.3.3DOC用於圖像分類90
5.3.4發現未知類90
5.4小結和評估數據集91
第6章終身主題建模93
6.1終身主題建模的主要思想93
6.2LTM:終身主題模型97
6.2.1LTM模型97
6.2.2主題知識挖掘99
6.2.3融合過去的知識100
6.2.4Gibbs采樣器的條件分布102
6.3AMC:少量數據的終身主題模型102
6.3.1AMC整體算法103
6.3.2挖掘must-link知識104
6.3.3挖掘cannot-link知識107
6.3.4擴展的Pólya甕模型108
6.3.5Gibbs采樣器的采樣分布110
6.4小結和評估數據集112
第7章終身信息提取114
7.1NELL:永不停止語言學習器114
7.1.1NELL結構117
7.1.2NELL中的提取器與學習118
7.1.3NELL中的耦合約束120
7.2終身評價目標提取121
7.2.1基於推薦的終身學習122
7.2.2AER算法123
7.2.3知識學習124
7.2.4使用過去知識推薦125
7.3在工作中學習126
7.3.1條件隨機場127
7.3.2一般依賴特征128
7.3.3L-CRF算法130
7.4Lifelong-RL:終身松弛標記法131
7.4.1松弛標記法132
7.4.2終身松弛標記法133
7.5小結和評估數據集133
第8章聊天機器人的持續知識學習135
8.1LiLi:終身交互學習與推理136
8.2LiLi的基本思想139
8.3LiLi的組件141
8.4運行示例142
8.5小結和評估數據集142
第9章終身強化學習144
9.1基於多環境的終身強化學習146
9.2層次貝葉斯終身強化學習147
9.2.1動機147
9.2.2層次貝葉斯方法148
9.2.3MTRL算法149
9.2.4更新層次模型參數150
9.2.5對MDP進行采樣151
9.3PG-ELLA:終身策略梯度強化學習152
9.3.1策略梯度強化學習152
9.3.2策略梯度終身學習設置154
9.3.3目標函數和優化154
9.3.4終身學習的安全策略搜索156
9.3.5跨領域終身強化學習156
9.4小結和評估數據集157
0章結論及未來方向159
參考文獻164
內容簡介
終身機器學習(Lifelong Machine Learning)第二版是對不錯機器學習範式的介紹,通過積累過去的知識持續地學習,並將所學到的知識用於幫助未來的學習和問題解決。本書適用於對機器學習、數據挖掘、自然語言處理或模式識別感興趣的學生、研究人員和從業人員。講師隨時可以在任何這些相關領域的課程中使用本書。