探索与利用类向量进行分类器编辑

图像分类器在医学影像疾病检测和制造过程异常识别中扮演关键角色。然而，其在经过广泛训练后的预定义行为使得后置模型编辑困难，尤其是对于忘记特定类别或适应分布迁移。现有的分类器编辑方法要么仅聚焦于纠正错误，要么导致昂贵的大规模重训练，制造了灵活编辑的瓶颈。此外，这种编辑在图像分类领域的研究仍有限。为克服这些挑战，我们引入类向量（Class Vectors），其捕获微调期间每个类别的表示调整。虽然任务向量编码权空间中的任务级别变化，但类向量在潜在空间中解构了每个类别的适应。我们表明，类向量捕获每个类别的语义偏移，而分类器编辑可通过沿这些向量引导潜在特征或将其映射到权空间以更新决策边界来实现。我们还展示了类向量固有的线性性和正交性支持通过简单类算术实现高效、灵活且高层次的概念编辑。最后，我们在忘记、环境适应、对抗防御和对抗触发器优化等应用场景中验证了其实用性。