Neurlps2024论文解析|Prospective Representation Learning for Non-Exemplar Class-Incremental Learning

paixiaoxin

于 2025-02-14 16:48:30 发布

阅读量540

点赞数 14

分类专栏：论文合集文献阅读文章标签：非示例类增量学习前瞻性表征学习嵌入压缩原型引导表示更新灾难性遗忘增量学习

本文链接：https://blog.csdn.net/paixiaoxin/article/details/145523405

版权

论文标题

Prospective Representation Learning for Non-Exemplar Class-Incremental Learning 面向非示例类增量学习的预见性表征学习

论文链接

Prospective Representation Learning for Non-Exemplar Class-Incremental Learning论文下载

论文作者

Wuxuan Shi, Mang Ye

内容简介

本文提出了一种新的方法——前瞻性表征学习（PRL），旨在解决非示例类增量学习（NECIL）中的灾难性遗忘问题。NECIL要求在不保留旧类样本的情况下，识别旧类和新类。现有方法通常在新任务到来时回顾性地处理旧类和新类之间的冲突，而缺乏旧任务数据使得平衡旧类和新类变得困难。PRL通过在基础阶段压缩当前类的嵌入分布，为未来类保留空间，并在增量阶段将新类特征与旧类原型分开，从而减少新类对旧类的冲击。实验结果表明，PRL在多个基准测试中优于现有的最先进方法，展示了其在增量学习中的有效性和灵活性。

在这里插入图片描述