多标签类增量学习中的动态提示调整
计算机视觉与模式识别
2025-01-06 v2 机器学习
摘要
单标签增量学习(SLCIL)已取得显著进展，但更实用且具挑战性的多标签类增量学习(MLCIL)仍受到忽视。最近，类似CLIP的视觉语言模型在分类任务中取得了良好结果。然而，直接使用CLIP解决MLCIL问题会导致灾难性遗忘。为解决此问题，我们集成改进的数据重放机制和提示损失以抑制知识遗忘。具体而言，我们的模型增强了提示信息以更好地适应多标签分类任务，并采用基于置信度的重放策略选择具有代表性的样本。此外，提示损失显著减少了模型对先前知识的遗忘。实验结果表明，我们的方法在多个基准数据集上显著提升了MLCIL任务的性能，验证了其有效性。
引用
@article{arxiv.2501.00340,
title = {Dynamic Prompt Adjustment for Multi-Label Class-Incremental Learning},
author = {Haifeng Zhao and Yuguang Jin and Leilei Ma},
journal= {arXiv preprint arXiv:2501.00340},
year = {2025}
}
备注
published to BICS2024