修改设置公式显示

_posts/ContinualLearning/2024-9-20-Paper Reading1 SDC-ADC-LDC.md

@@ -412,7 +412,9 @@ $$
 
 \end{aligned}
 $$
-所以如果有 任务一的某些($N_{sample}$)个样本 $x^1_i$ ，
+
+
+所以如果有 任务一的某些 ($N_{sample}$)个样本 $x^1_i$ ，
 
 在任务 $2$  训练之前的模型 $MS^1$ ，就能得到 上式中的 $MS^1(x_i^1)$ 
 
@@ -530,7 +532,7 @@ $$
 
 这个公式用于计算每个点 的权重 $w_i$，它是一个高斯核函数。
 
-权重 $w_i$由数据点的 embedding 向量 $z^{t-1}_i$ 与类原型 $\mu_{c^s}^{t-1} $之间的距离决定。这个类原型就是要被估计的类的 向量均值。 这里的  $z^{t-1}_i = MS^1(x_i^2)$
+权重 $w_i$由数据点的 embedding 向量 $z^{t-1}_i$ 与类原型 $\mu_{c^s}^{t-1} $ 之间的距离决定。这个类原型就是要被估计的类的 向量均值。 这里的  $z^{t-1}_i = MS^1(x_i^2)$
 
 样本距离要估计的类原型 距离越小，数据点对类原型漂移估计的贡献越大。