EFC++：基于原型再平衡的弹性特征整合，用于无样本增量学习的冷启动情景
计算机视觉与模式识别
2025-10-06 v3
摘要
无样本类增量学习(EFCIL)旨在不访问先前任务数据的情况下学习。本文考虑了数据不足以学习高质量 backbone 的冷启动情景，这在 EFCIL 中尤其具有挑战性，因为它需要高塑性，导致特征漂移，在无样本设置下难以补偿。为此，我们提出了一种有效的方法，通过对高度相关先前任务的漂移方向进行正则化，同时采用原型来减少任务近期偏差。我们称之为弹性特征整合++(EFC++)，其基于提出的经验特征矩阵(EFM)对特征漂移进行可行的二阶近似。EFM 在特征空间中诱导一种伪距离度量，我们用于正则化重要方向上的特征漂移，并用于更新高斯原型。此外，我们引入了后训练原型再平衡阶段，用于补偿特征漂移。在 CIFAR-100、Tiny-ImageNet、ImageNet-Subset、ImageNet-1K 和 DomainNet上的实验结果表明，EFC++ 能够更好地学习新任务，维持模型的塑性，并显著优于最新方法。
引用
@article{arxiv.2503.10439,
title = {EFC++: Elastic Feature Consolidation with Prototype Re-balancing for Cold Start Exemplar-free Incremental Learning},
author = {Simone Magistri and Tomaso Trinci and Albin Soutif-Cormerais and Joost van de Weijer and Andrew D. Bagdanov},
journal= {arXiv preprint arXiv:2503.10439},
year = {2025}
}
备注
Extension of our previous conference paper https://openreview.net/forum?id=7D9X2cFnt1