持续超bolic学习：实例与类别
计算机视觉与模式识别
2025-06-13 v1 人工智能
机器学习
摘要
持续学习传统上侧重于对实例或类别进行分类，但实际应用场景如机器人和自动驾驶汽车需要模型同时处理两者。为模拟现实情境，我们提出了同时进行实例与类别持续学习的任务。该任务挑战模型在时间上适应多个细粒度层次，需在精细的实例识别与粗糙的类别泛化之间进行平衡。本文指出，类别与实例自然形成层次结构。为建模这些层次关系，我们提出了HyperCLIC算法，利用超bolic空间进行持续学习，超bolic空间因其能够以低失真和紧凑嵌入表示树状结构而特别适合表示层次数据。我们的框架集成了超bolic分类和蒸馏目标，实现层次关系的持续嵌入。为评估多个细粒度上的性能，我们引入了持续层次指标。在EgoObjects数据集上进行验证——这是唯一捕获动态现实环境中层次对象识别复杂性的数据集。实验结果表明，HyperCLIC在多个细粒度上有效运行，实现了改进的层次泛化。
引用
@article{arxiv.2506.10710,
title = {Continual Hyperbolic Learning of Instances and Classes},
author = {Melika Ayoughi and Mina Ghadimi Atigh and Mohammad Mahdi Derakhshani and Cees G. M. Snoek and Pascal Mettes and Paul Groth},
journal= {arXiv preprint arXiv:2506.10710},
year = {2025}
}