基于自编码器的混合式重放用于类别递增学习

在类别递增学习 (CIL) 中，有效的递增学习策略对于缓解任务混淆和灾难性遗忘尤为重要，特别是当任务数量 $t$ 增加时。当前的 exemplar 重放策略要求 $\mathcal{O}(t)$ 的内存/计算复杂度。我们提出了一种基于自编码器的混合式重放 (AHR) 策略，利用我们新的混合自编码器 (HAE) 作为压缩器，以减轻大内存需求，实现最坏情况下的 $\mathcal{O}(0.1 t)$ 内存/计算复杂度，同时实现了state-of-the-art性能。解码器稍后从潜在空间恢复 exemplar 数据，而非以原始格式。此外，HAE 设计用于判别模型和生成模型，分别实现分类和重放功能。HAE 采用带电粒子系统能量最小化方程和排斥力算法，用于其潜在空间中新类质心的递增嵌入和分布。我们的结果表明，AHR 在多个基准测试上 consistently 超过最新的基线方法，同时在相同的内存/计算预算下运行。源代码已包含在补充材料中，并将在发表后开源。