E2PL：面向不完整多视图多标签类增量学习的有效高效提示学习

多视图多标签分类（MvMLC）是现代 Web 应用整合来自多源信息的必备技术。然而，现实的大规模 Web 场景常常存在缺失视图和不断涌现的新类别，这构成了鲁棒学习的重大挑战。现有方法要么缺乏对新类别的适应性，要么在处理所有可能的缺失视图模式时会导致参数指数级增长，严重限制了其在 Web 环境下的可扩展性。为系统性地解决这一问题，本文正式引入了新任务，称为不完整多视图多标签类增量学习（IMvMLCIL），要求模型同时处理异构的缺失视图和动态的类别扩张。为攻克这一任务，我们提出了 E2PL（Effective and Efficient Prompt Learning for IMvMLCIL），一个面向 IMvMLCIL 的有效高效提示学习框架。E2PL 统一了两种新颖的提示设计：用于类别增量适应的任务定制提示（task-tailored prompts）和用于灵活集成任意视图缺失情形的缺失感知提示（missing-aware prompts）。为根本性地解决缺失感知提示固有的指数级参数爆炸问题，我们设计了一种高效原型张量化（efficient prototype tensorization）模块，通过原子张量分解优雅地将提示参数复杂度从视图数量的指数级降低为线性。我们进一步引入动态对比学习策略，显式建模不同缺失视图模式之间的复杂依赖，从而提升模型的鲁棒性。大量实验表明，E2PL 在有效性和效率方面均一致优于最先进的方法。代码和数据集已提供于 https://anonymous.4open.science/r/code-for-E2PL。