AnchorInv：基于表征空间引导反演的生理信号少样本类增量学习

深度学习模型在各种实际应用中展现出卓越性能。这些成功通常归功于强大的基础模型，它们能在保持先验知识完整的同时，以有限的支持数据泛化到新任务。然而，这些令人瞩目的结果建立在大量高质量数据的可用性之上，而这在专业生物医学应用中往往缺乏。在这些领域，模型通常使用有限的数据开发，且这些数据以新类别增量到达。这要求模型在保留现有知识的同时适应新信息。少样本类增量学习（FSCIL）方法为应对这些挑战提供了有前景的途径，但它们同样依赖于面临上述相同局限性的强大基础模型。为克服这些限制，我们遵循简单高效的缓冲区回放策略提出了 AnchorInv。AnchorInv 不选择和存储原始数据，而是在特征空间中由锚点引导生成合成样本。该方法保护隐私并正则化模型以适应新信息。在三个公开生理时间序列数据集上的评估表明，AnchorInv 展现出高效的知识遗忘预防能力并改善了对新类的适应，超越了 SOTA 基线。