為什麼 Permuted MNIST 適合評估持續學習模型？

當我閱讀有關持續學習的論文時，我發現許多研究人員使用它permutated MNIST來評估他們的方法。

我明白它是什麼，但我不清楚他們為什麼使用它？

我的理解是，他們試圖引入噪聲（通過對圖像應用隨機排列），但排列後的圖像非常嘈雜，即使是人類也無法識別。

應用模糊、旋轉或一些失真是可以理解的，但為什麼要置換像素呢？

PS。我提到的論文的一個例子：持續學習的三個場景

實際上，正如本文https://arxiv.org/abs/1805.09733中所述，置換 MNIST 評估並不是衡量持續學習性能的好方法。這是因為排列後的圖像與原始圖像差異太大，這不是真實世界場景的良好表示。通常，具有新數據集的新任務可能具有相似的圖像，這可能導致網絡做出誤報預測。

引用自：https://stats.stackexchange.com/questions/411235