小样本类增量学习的实验方法
机器学习
2025-03-17 v1 人工智能
摘要
小样本类增量学习（FSCIL）代表了机器学习更广泛范围内的一种前沿范式，旨在赋予模型在保护现有知识的同时，利用有限样本吸收新数据类别的能力。本文将提出不同的解决方案，其中包含在大规模数据集、领域偏移和网络架构上的大量实验，以评估和比较所选方法。我们强调了它们的优势，然后提出了一种实验方法，旨在通过将视觉-语言（V-L）模型（CLIP）替换为另一个在零样本学习任务上似乎表现更优的 V-L 模型（CLOOB）来改进最有前景的方法。本报告的目的是提出一种 FSCIL 的实验方法以提升其性能。我们还计划提供一个概述，随后分析 FSCIL 领域的最新进展，重点关注缓解灾难性遗忘和提高模型对不断演变的任务和数据集适应性的各种策略。
引用
@article{arxiv.2503.11349,
title = {An experimental approach on Few Shot Class Incremental Learning},
author = {Marinela Adam},
journal= {arXiv preprint arXiv:2503.11349},
year = {2025}
}