GenOL：用于名称唯一在线学习的多样化示例生成

在线学习方法通常依赖监督数据。然而，在数据分布发生迁移的情况下（例如在持续学习中，其中持续到达的在线数据流包含新的概念，如新的类别），由于成本和延迟，实时手动标注是不可行的，这会阻碍实时适应。为缓解这一问题，提出了"名称唯一"方案，仅要求概念名称，而无需监督样本。最近一种方法通过网络抓取图像来补充数据，但此类数据常常存在数据不平衡、噪声和版权问题。为克服人工监督和网络监督的局限性，我们提出了GenOL，使用生成模型进行名称唯一训练。但直接应用生成模型会导致生成数据的多样性有限。本文通过两种方法增强了生成数据的多样性：(i) 通过提出多样化提示生成方法，为文本到图像模型生成多样化文本提示，以增强单个模型生成图像的多样性；(ii) 通过引入集成策略选择最小重叠样本，以增强多个生成模型生成图像的多样性。我们在包括图像识别和多模态视觉推理等多个任务上进行了实验验证，证明所提出的方法优于现有方法，即使是使用大规模监督数据训练的模型也能取得显著优势。