针对类别增量学习的持续适配器调优与语义漂移补偿

类别增量学习（Class-Incremental Learning, CIL）旨在使模型能够持续学习新类别，同时克服灾难性遗忘。预训练模型的引入带来了新的CIL调优范式。本文在持续学习背景下重访不同的参数高效调优（Parameter-Efficient Tuning, PET）方法。我们观察到，适配器调优在不进行每次学习会话中参数扩张的情况下，甚至优于基于提示的方法。鼓励此发现，我们提出 incrementally tuning the shared adapter without imposing parameter update constraints, 以增强主干网络的学习能力。此外，我们采用来自存储原型的特征抽样来重新训练统一分类器，进一步提升其性能。我们估计旧原型的语义漂移，而无需访问过去的样本，并按会话更新存储的原型。我们的方法消除了模型扩张，避免保留任何图像样本。它超越了基于预训练模型的CIL方法，展示了卓越的持续学习能力。实验结果在五个CIL基准上验证了我们方法的有效性，实现了最先进（SOTA）性能。