用于少样本持续学习的对比增强图到图记忆交互
人工智能
2024-03-08 v1
摘要
少样本类增量学习（FSCIL）因其在处理持续到达的类别方面的关键作用而近年来受到广泛关注。然而，它也面临着额外的挑战。新会话中样本的稀缺加剧了过拟合，导致新旧类别的输出特征不兼容，从而加剧了灾难性遗忘。一种普遍的策略是通过显式记忆（EM）来减轻灾难性遗忘，EM 由类原型组成。然而，当前的基于 EM 的方法通过在执行输入特征与存储在 EM 中的原型之间的向量到向量（V2V）交互来全局检索记忆，忽略了局部特征的几何结构。这阻碍了对其位置关系的准确建模。为了融入局部几何结构信息，我们将 V2V 交互扩展为图到图（G2G）交互。为了增强局部结构以实现更好的 G2G 对齐并防止局部特征坍塌，我们提出了局部图保持（LGP）机制。此外，为了解决新会话中类别的样本稀缺问题，我们引入了对比增强 G2G（CAG2G）以促进同类特征的聚合，从而助力少样本学习。在 CIFAR100、CUB200 和具有挑战性的 ImageNet-R 数据集上的广泛比较表明，我们的方法优于现有方法。
引用
@article{arxiv.2403.04140,
title = {Contrastive Augmented Graph2Graph Memory Interaction for Few Shot Continual Learning},
author = {Biqing Qi and Junqi Gao and Xingquan Chen and Dong Li and Jianxing Liu and Ligang Wu and Bowen Zhou},
journal= {arXiv preprint arXiv:2403.04140},
year = {2024}
}
备注
12 Pages, 5 figures