无标注类别增量学习
机器学习
2025-11-25 v1
摘要
尽管持续学习领域取得了显著进展，涵盖架构创新与缓解灾难性遗忘的巧妙策略，但大多数现有方法都依赖于一个强烈但不现实的假设——整个学习过程中有标注数据可用。然而在现实场景中，数据往往以序列方式到达且不带标注，使得传统方法难以适用。在本工作中，我们重新审视持续学习的基本假设并提出：当标签缺失且任务随时间增量出现时，当前系统能否适应？为此，我们提出了无标注类别增量学习（AFCIL），一个更现实且更具挑战性的范式，其中无标注数据持续到达，学习者必须在没有任何监督的情况下增量获取新类别。为在 AFCIL 下实现有效学习，我们提出了 CrossWorld CL，一个跨域世界引导持续学习框架，该框架将外部世界知识作为稳定的辅助来源。该方法为每个下游类别检索语义相关的 ImageNet 类别，通过跨域对齐策略映射下游与 ImageNet 特征，并最终引入一种新型重放策略。该设计使模型无需标注即可发现语义结构，同时保持先前知识完整。在四个数据集上，CrossWorld-CL 超越了 CLIP 基线及现有的持续学习和无标注学习方法，凸显了世界知识对无标注持续学习的益处。
引用
@article{arxiv.2511.19344,
title = {Annotation-Free Class-Incremental Learning},
author = {Hari Chandana Kuchibhotla and K S Ananth and Vineeth N Balasubramanian},
journal= {arXiv preprint arXiv:2511.19344},
year = {2025}
}
备注
18 pages, 6 figures