連續多視角學習模型示意圖（不同顏色表示不同的視角）

　　為解決現存大部分的多視角任務學習模型不能快速學習新任務的問題，中國科學院沈陽自動化研究所機器人學研究室科研團隊提出了一種連續多視角任務學習算法，可使機器人“更快”地認知世界。相關成果以Continual Multiview Task Learning via Deep Matrix Factorization為題發表于中科院一區期刊IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS。

　　目前，基于多個任務通過多個共享視角相關聯的假設，最新的多視角多任務學習在機器學習和計算機視覺領域得到了廣泛的應用。然而在許多實際場景中，當多視角學習任務按序列順序到來時，重新訓練以前的任務在這種終身學習場景中會產生較高的存儲需求和計算成本。為應對這一挑戰，科研人員在該研究中提出了一種集成深度矩陣分解和稀疏子空間學習的連續多視角任務學習模型，稱為深度連續多視角任務學習（DCMvTL）。當新的多視角任務到來時，DCMvTL首先采用深度矩陣分解技術捕捉新任務中的隱含和分層表達知識，同時以一種逐層的方式存儲這些新鮮的多視角知識。在這一基礎上，一種稀疏子空間學習模型應用于每一層抽取的因子矩陣上，并通過一個自表達約束捕獲跨視角關聯。

　　在基準測試數據集上的實驗結果表明，深度連續多視角任務學習模型不僅能實現較高的認知準確率，同時能保持較高的學習效率，即“更快”認知不同的世界。該研究得到國家自然科學基金和機器人學重點實驗室的支持。（機器人學研究室）