深度学习（增量学习）——GAN在增量学习中的应用（文献综述）

文章目录

• 前言
• Memory replay
• Memory replay的缺陷
• Regularization
• Regularization 方式一：EWC Regularization
• Regularization 方式二：L2、L1距离
• Regularization存在的问题
• 参考文献

前言

我将看过的增量学习论文建了一个github库，方便各位阅读地址

持续学习的目的是解决灾难性遗忘，当前持续学习（lifelong learning）的研究主要集中在图像分类这一基础任务上。图像分类任务出现灾难性遗忘（Catastrophic forgetting），其根源在于$T$T时刻的分类模型没有$T$T时刻之前的图像数据，意味着需要在没有输入分布的前提下对$T$T时刻之前的数据进行分类，为了还原出输入图像的分布，目前有研究开始使用生成对抗模型（Generative Adversarial Nets），原因在于GAN可以进行概率分布的变化，可以将隐空间中的概率分布变化为训练图像的概率分布。

​如果仅仅利用$T$T时刻的数据finetuning GAN，则GAN也会出现灾难性遗忘，如下图所示，将MNIST数据集分为10个任务，每个任务GAN只学习生成一类数字，利用condition GAN在MNIST数据集上进行持续学习，condition GAN的输入由类别label、隐空间变量$z$z组成，可以依据类别label生成对应类别的图像，训练完毕后，生成的图片均为9，即出现灾难性遗忘。

​为了解决GAN上的灾难性遗忘，研究人员采取了一系列措施，大致分为两类：

• 使用记忆重放（Memory replay）机制。
• Regularization，即在损失函数中添加正则项，来防止灾难性遗忘。

Memory replay

​如[6]，[1]，[3]，[5]所示，Memory replay在训练$T$T时刻的GAN时，让$T-1$T−1时刻的GAN生成一批旧类别图片，与$T$T时刻的新类别图片混合在一起，训练$T$T时刻的GAN。[1]存储了部分旧类别的图片，与生成的旧类别图片一起训练$T$T时刻的GAN。为了确保每一个旧类别都具有Memory replay生成的图片，目前主要采用两类方式：

• 使用Uncondition GAN，用$T-1$T−1时刻的分类器对生成的图片进行分类。为了保证图像质量，在用分类器判断完图像属于$A$A类别后，$A$A类别得分高于一个阈值$\theta$θ，才会用于训练$T$T时刻的GAN。
• 使用Condition GAN，可以依据label生成对应类别的图片。

Memory replay的缺陷

​ Memory replay的缺点很明显，若$T-1$T−1时刻的GAN生成的图片质量极差，无法反映图像真实的概率分布，会影响$T$T时刻GAN的训练，如下图所示，Task 3训练完毕后，生成的iris图像质量较差，直接导致Task 4、Task 5生成的iris图像质量较差。

Regularization

​ Regularization即通过在损失函数中添加正则项，来寻求一个合适的解，如下图红线所示，通过合适的正则项，可以寻找到即可以较好生成$A$A任务图像，又可以生成较好$B$B任务图像的解。

​ 目前研究采用的Regularization大致可以分为两类：

• EWC Regularization
• L2、L1距离

Regularization 方式一：EWC Regularization

​ [2]在Generator的loss中添加了EWC Regularization，计算公式如下图，第一项为传统的Generator loss，第二项为EWC Regularization。其中$F_i$Fi​为Fisher information


​

​ EWC Regularization可以从概率角度判断Generator中，哪一部分参数对于生成旧类别图像更为重要，通过限制这类参数发生太大改变，来防止GAN发生灾难性遗忘。

​

Regularization 方式二：L2、L1距离

​ L2、L1距离类似于knowledge distillation，将$T-1$T−1时刻Generator的知识蒸馏到$T$T时刻的Generator。如下图所示，[7] [6]将同一隐变量输入到$T-1$T−1时刻与$T$T时刻的Generator，将得到的两张图片做L1距离或L2距离（对应图中的$L_{RA}$LRA​），作为Generator的正则项，若$L_{RA}$LRA​为L2距离，此时Generator的损失函数变为式12.0

​

Regularization存在的问题

​ Regularization要求$T$T时刻的GAN，对同一输入，在训练阶段生成的图片既要与新任务图像一致（否则无法欺骗Discriminator），又要与旧任务一致（否则Regularization的值会很高），这是矛盾的。

​ 现有的方案通过condition GAN解决上述问题，如下图所示，假设每次只学习一个新类别，$c$c表示类别的label，$z$z表示隐变量，$S_t$St​表示第$t$t个类别的数据，下图左半部分表示只有旧类别的隐变量会参与Regularization的计算，右半部分表示只有新类别的数据会用于训练Discriminator，如此一来，为了让Regularization项变小，对于旧类别的隐变量，$T$T时刻Generator生成的图片应该与$T-1$T−1时刻Generator生成的图片尽可能一致，对于新任务，$T$T时刻的Generator生成的图片需要尽可能与新任务图像一致，才可以欺骗Discriminator。

参考文献

[1] Amanda Rios ，Laurent Itti. Closed-Loop Memory GAN for Continual Learning. In IJCAI， 2019

[2] Ari Seff， Alex Beatson， Daniel Suo,，Han Liu. Continual Learning in Generative Adversarial Nets.2017

[3] Hanul Shin，Jung Kwon Lee，Jaehong Kim,Jiwon Kim. Continual Learning with Deep Generative Replay. In NIPS， 2017

[4] Yue Wu，Yinpeng Chen，Lijuan Wang，Yuancheng Ye，Zicheng Liu，Yandong Guo，Zhengyou Zhang2，Yun Fu.Incremental Classifier Learning with Generative Adversarial Networks.2018

[5] Ye Xiang，Ying Fu，Pan Ji，Hua Huang.Incremental Learning Using Conditional Adversarial Networks.In ICCV， 2019

[6] henshen Wu，Luis Herranz，Xialei Liu，Yaxing Wang，Joost van de Weijer, Bogdan Raducanu. Memory replay GANs- Learning to generate images from new categories without forgetting. In NIPS， 2018

[7]Mengyao Zhai， Lei Chen，Fred Tung，Jiawei He，Megha Nawhal， Greg Mori.Lifelong GAN: Continual Learning for Conditional Image Generation.In ICCV，2019