通过概念整合学习，忘记更少
计算机视觉与模式识别
2026-01-06 v1 机器学习
摘要
定制扩散模型 (CDMs) 因其卓越的个性化生成过程能力而受到广泛关注。然而，现有的 CDMs 在持续学习新概念时会遭遇灾难性遗忘。大多数先前的工作是在概念输入顺序固定的顺序学习设置下尝试缓解此问题，忽略了概念之间的相互作用。在本文中，我们提出了一种新框架——通过概念整合学习来减少遗忘 (Forget Less by Learning Together, FL2T)——该框架在解决灾难性遗忘的同时，使概念能够并行且顺序无关地学习。具体而言，我们引入一组不变式概念间学习模块，其中代理指导跨概念的特征选择，从而促进更好的知识保留和迁移。通过利用概念间的指导，我们的方法在保留旧概念的同时，高效地整合新概念。广泛的实验结果表明，我们的方法在概念保留和减轻灾难性遗忘方面显著提升了性能，凸显了在十个任务中实现至少 2% CLIP 图像对齐分数提升的概念间催化作用的有效性。
引用
@article{arxiv.2601.01963,
title = {Forget Less by Learning Together through Concept Consolidation},
author = {Arjun Ramesh Kaushik and Naresh Kumar Devulapally and Vishnu Suresh Lokhande and Nalini Ratha and Venu Govindaraju},
journal= {arXiv preprint arXiv:2601.01963},
year = {2026}
}
备注
Accepted at WACV-26