我有一个神经网络，它已经在一些数据集上进行了训练。假设数据集最初有 10k 个数据点，现在又添加了 100 个数据点。我的神经网络有没有办法在不从头开始训练的情况下学习整个(更新的(数据集？此外，灾难性干扰是否适用于这里？我知道当 NN 尝试学习"新信息"时，灾难性干扰是适用的，但我不确定"更新(由于插入(信息"是否算作"新信息"。
事实上，不幸的是，灾难性干扰(或遗忘(适用于您的情况。 但是深度学习有一个分支专注于这个问题，称为持续学习。
在线学习是指适应增量可用/连续输入数据流的模型。
灾难性干扰确实是一个问题，具体取决于您的模型、数据和问题。
如果您假设：
- 您的新数据 D2 是 i.i.d，从与原始数据集 D1 相同的分布中采样
- 原始模型是使用数据集的"小批量"训练的
- D2 的大小为>= 所用小批量的大小
您可以将 D2 拆分为新的小批量，并从上次中断的地方继续训练。
但如果不是这种情况，它确实可能容易受到灾难性遗忘的影响，因为任务名义上是相同的，但域(数据的基础分布(正在发生变化。在这种情况下，如果对整个(更新的(数据集进行重新训练不可行，则需要研究专门用于缓解此问题的持续学习方法。