要点
自监督学习加速GAN训练
GAN实现开放集推理
开放集推理实现并行可持续学习
-
自监督学习训练对观测视角、环境光照等干扰项不敏感的编码器，实现鲁棒的信息压缩；
多个传感器之间构成观测维度的关联性；（如听觉和视觉之间的关联，通感）
同一传感器采集到不同方位的信息构成了空间的关联性；（如双目之间的关联，视差）
同一传感器不同时刻采集的信息构成了时间的关联性；（如光流、目标跟踪） -
GAN在经过自监督学习鲁棒压缩后的低维稠密潜空间进行对抗学习，可以更快得到判别和生成器；
GAN的输入和输出维度将大幅降低，且低维空间中的流形因为是稠密的，因此约束更宽松，更易于训练；
GAN由于自监督的跨域信息关联，能生成和辨别更真实的样本； -
开放集上的推理依赖于对输入样本的域感知能力，而这可以依赖GAN的判别器实现；
GAN不仅能生成样本，还能对样本进行域判别，计算样本分布与域分布的距离下限；
GAN的判别器响应最大的域为目标域，这样就实现了对开放集上的任意样本的推理； -
可持续学习依赖对过往学习样本分布的记忆，而开放集上的推理恰好实现了这一点；
任意多个域上的判别器都能实现开放集推理（Open Set Inference)，等价于一个综合的域上的判别器能进行开放集推理；
因此OSI能对任意多个域进行合并而不产生冲突，也意味着任意多个独立训练的模型可以不经修改的组合在一起，并行推理输出一个综合的结果；
因此OSI能实现对不同时段的样本训练的模型的持续集成；
当OSI判断新样本不在任何一个域上时，将开辟新域学习；
当OSI发现新样本在所在域上的输出不满足预期时，将对该域上的模型进行覆盖式学习；