基于分布外检测的无缓冲类增量学习
机器学习
2025-09-26 v2 人工智能
计算机视觉与模式识别
摘要
类增量学习（CIL）在开放世界场景中提出了重大挑战，模型不仅必须随着时间推移学习新类而不遗忘旧类，还要处理来自未知类的输入，而封闭集模型会将其误分类。近期的工作通过以下方式解决了这两个问题： 使用任务增量学习框架训练多头模型， 采用分布外（OOD）检测器预测任务身份。虽然有效，但后者主要依赖于使用过去数据的记忆缓冲区进行联合训练，这引发了关于隐私、可扩展性和增加训练时间的担忧。在本文中，我们对事后 OOD 检测方法进行了深入分析，并研究了它们消除对记忆缓冲区需求的潜力。我们发现，这些方法在推理时适当地应用，可以作为基于缓冲区的 OOD 检测的强力替代品。我们表明，这种无缓冲区方法在类增量学习和拒绝未知样本方面的性能与基于缓冲区的方法相当或更优。在 CIFAR-10、CIFAR-100 和 Tiny ImageNet 数据集上的实验结果支持了我们的发现，为在开放世界设置下设计高效且保护隐私的 CIL 系统提供了新见解。
引用
@article{arxiv.2505.23412,
title = {Buffer-free Class-Incremental Learning with Out-of-Distribution Detection},
author = {Srishti Gupta and Daniele Angioni and Maura Pintor and Ambra Demontis and Lea Schönherr and Battista Biggio and Fabio Roli},
journal= {arXiv preprint arXiv:2505.23412},
year = {2025}
}