基于判别性与可比较一类分类器的无样本类增量学习
机器学习
2025-01-28 v1 计算机视觉与模式识别
摘要
无样本类增量学习要求分类模型在不保留任何旧类样本的情况下增量地学习新的类知识。近年来，基于并行一类分类器（POC）的框架因能为每个类别独立训练一个一类分类器（OCC）而自然避免灾难性遗忘，引起了广泛关注。然而，由于对不同OCC采用独立训练策略，POC存在判别性与可比较性弱的问题。为应对该挑战，我们提出一种新框架，称为增量学习判别性与可比较一类分类器（DisCOIL）。DisCOIL遵循POC的基本原理，但采用变分自编码器（VAE）而非其他成熟的一类分类器（如deep SVDD），因为训练好的VAE不仅能识别输入样本属于某类的概率，还能生成该类的伪样本以辅助学习新任务。借助此优势，DisCOIL将新类VAE与旧类VAE进行对比训练，迫使新类VAE对新类样本重建更好、对旧类伪样本重建更差，从而增强可比较性。此外，DisCOIL引入铰链重建损失以保证判别性。我们在MNIST、CIFAR10和Tiny-ImageNet上进行了广泛评估，实验结果表明DisCOIL取得了最先进的性能。
引用
@article{arxiv.2201.01488,
title = {Exemplar-free Class Incremental Learning via Discriminative and Comparable One-class Classifiers},
author = {Wenju Sun and Qingyong Li and Jing Zhang and Danyu Wang and Wen Wang and Yangli-ao Geng},
journal= {arXiv preprint arXiv:2201.01488},
year = {2025}
}