面向食物类别分类数据集的持续学习：增强模型的适应性与性能
机器学习
2026-03-23 v1
摘要
传统机器学习流程常常难以识别原始训练集中缺失的类别。由于固定数据集很少捕捉领域的全部多样性，这一缺口通常会降低准确率。为此，我们提出了一种面向文本引导食物分类的持续学习框架。不同于需要从头重新训练的方法，本方法支持增量更新，允许在不降低先前知识的前提下集成新类别。例如，训练针对西方料理的模型后，即可学习区分类诸如 dosa 或 kimchi 等菜品。尽管仍需进一步优化，但该设计在自适应食物识别方面显示出前景，可用于饮食监测和个性化营养规划。
引用
@article{arxiv.2603.19624,
title = {Continual Learning for Food Category Classification Dataset: Enhancing Model Adaptability and Performance},
author = {Piyush Kaushik Bhattacharyya and Devansh Tomar and Shubham Mishra and Divyanshu Rai and Yug Pratap Singh and Harsh Yadav and Krutika Verma and Vishal Meena and N Sangita Achary},
journal= {arXiv preprint arXiv:2603.19624},
year = {2026}
}