基于双分类器的在线平衡类递增学习
机器学习
2025-12-12 v2 人工智能
摘要
在线类递增学习(OCIL)关注从数据流中逐步学习新类(称为塑性),同时保持对以前学习类的知识(称为稳定性). OCIL 的主要挑战在于维持旧类和新类知识在不断更新的模型中的良好平衡. 大多数现有方法依赖通过经验回放实现的显式知识交互,并常采用排他训练分离来解决偏差问题. 然而,要实现良好平衡的学习者仍然是一个巨大的挑战,因为这些方法往往由于在 OCIL 设置下持续整合知识的困难,表现出受限的塑性或有限的稳定性. 本文提出了一种新颖的基于回放的方法,称为 Balanced Inclusive Separation for Online iNcremental learning( BISON),能够实现高塑性和高稳定性,从而在 OCIL 中实现更均衡的性能.我们的 BISON 方法提出了使用双分类器的包容训练分离策略,使旧类和新类的知识能够有效地整合到模型中,同时通过引入隐式方法在两个分类器之间传递知识. 对三个广泛使用的 OCIL 基准数据集进行大量实验评估表明,BISON 的优势性,在与最先进的基于回放的 OCIL 方法相比时,实现了更均衡且更好的性能.
引用
@article{arxiv.2504.20566,
title = {Balanced Online Class-Incremental Learning via Dual Classifiers},
author = {Shunjie Wen and Thomas Heinis and Dong-Wan Choi},
journal= {arXiv preprint arXiv:2504.20566},
year = {2025}
}