面向组合零样本学习的组合增量学习
计算机视觉与模式识别
2025-11-13 v1
摘要
组合泛化在预收集训练数据上的计算机视觉任务中取得了显著进展。然而，现实世界的数据是持续不断地产生的，可能的组合几乎是无限的、长尾且并非全部可见。因此，理想的模型应以增量方式逐步提升其组合泛化能力。本文探讨了面向组合零样本学习（CZSL）任务的组合增量学习（CompIL），其中模型需要不断学习新的组合，以逐步提升其组合泛化能力。为量化评估CompIL，我们开发了利用现有数据集构建基准的管道，产生MIT-States-CompIL和C-GQA-CompIL。进一步，我们提出了伪回放框架，利用视觉合成器合成已学习组合的视觉表征，以及语言原语蒸馏机制以维持跨学习过程的对齐原语表征。大量实验表明，所提框架的有效性。
引用
@article{arxiv.2511.09082,
title = {Composition-Incremental Learning for Compositional Generalization},
author = {Zhen Li and Yuwei Wu and Chenchen Jing and Che Sun and Chuanhao Li and Yunde Jia},
journal= {arXiv preprint arXiv:2511.09082},
year = {2025}
}
备注
11 pages, 6 figures