基于类心原型映射的适配器合并：面向可扩展类增量学习

我们提出Adapter Merging with Centroid Prototype Mapping (ACMap)，这是一种无需示例的类增量学习框架，旨在解决灾难性遗忘和可扩展性问题。虽然现有方法在推理时间与准确率之间存在权衡，但ACMap通过合并任务特定的适配器，实现了跨任务的常数推理时间，同时不牺牲准确率。该框架利用适配器合并构建共享子空间，以对齐任务表征并缓解遗忘，同时通过类心原型映射在共享子空间内持续调整表征，维持高准确率。为进一步提升可扩展性，本文引入早停策略限制适配器合并的规模。广泛的实验在五个基准数据集上表明，ACMap在保持推理时间与最快现有方法相当的同时，达到了与最新技术事业水平相当的准确率。代码已公开于 https://github.com/tf63/ACMap。