在线增量学习中基于最优传输的潜空间培育方法
机器学习
2026-04-17 v4 计算机视觉与模式识别
摘要
在在线增量学习中，数据持续到达并伴随显著的分布偏移，这构成了重大挑战，因为在学习新任务时以往样本的回放价值有限。先前研究通常依赖单一自适应质心或多个固定质心在潜空间中表示每个类别。然而，当类别数据流本身为多模态且需要持续质心更新时，此类方法表现不佳。为克服该问题，我们提出了一种基于最优传输理论（Optimal Transport）的在线混合模型学习框架（MMOT），其中质心随新数据增量演化。该方法具有两大优势：(i) 更精确地刻画复杂数据流；(ii) 在推理时通过 MMOT 导出的质心实现对未见样本更优的类别相似度估计。此外，为强化表示学习并缓解灾难性遗忘，我们设计了动态保持（Dynamic Preservation）策略，用以调节潜空间并随时间维持类别可分性。在基准数据集上的实验评估证实了所提方法的优越有效性。
引用
@article{arxiv.2211.16780,
title = {An Optimal Transport-driven Approach for Cultivating Latent Space in Online Incremental Learning},
author = {Quyen Tran and Hai Nguyen and Hoang Phan and Quan Dao and Linh Ngo and Khoat Than and Dinh Phung and Dimitris Metaxas and Trung Le},
journal= {arXiv preprint arXiv:2211.16780},
year = {2026}
}
备注
CVPR2026