通过双平衡协作专家解决域递增学习中的不平衡问题

域递增学习（DIL）聚焦于在非平稳环境中的持续学习，要求模型在保持历史知识的同时适应不断演化的域。DIL在不平衡数据背景下面临两个关键挑战：域内类别不平衡和跨域类别分布偏移。这些挑战显著阻碍模型性能，因为域内不平衡导致少数类拟合不足，而跨域偏移需要维持已学习的众多类的知识并传递知识以提高旧域中少数类的性能。为克服这些挑战，我们引入Dual-Balance Collaborative Experts（DCE）框架。DCE采用频率感知的专家组成，其中每个专家都由特定的损失函数引导，以学习特定频率组的特征，从而有效解决域内类别不平衡问题。随后，一个动态专家选择器通过从历史类别统计信息中进行平衡高斯采样来合成伪特征来学习。这种机制在保存前一个域的众多类知识与利用新数据提高旧域中少数类性能之间进行权衡。广泛的在四个基准数据集上的实验结果表明，DCE在性能上达到最先进的水平。