全局预固定，局部调节：用于持续学习的简单而有效的对比策略
机器学习
2025-09-22 v1 计算机视觉与模式识别
摘要
持续学习（CL）涉及在演化任务中获取和积累知识，同时缓解灾难性遗忘。最近，利用对比损失构建更具可迁移性和更不易遗忘的表征一直是 CL 中一个有前景的方向。尽管取得了进展，但由于任务间和任务内特征的混淆，其性能仍然受限。为了解决这一问题，我们提出了一种简单而有效的对比策略，称为全局预固定、局部调节用于监督对比学习（GPLASC）。具体而言，为避免任务级混淆，我们将表示的整个单位超球面划分为不重叠区域，区域的中心形成任务间预固定的等角紧框架（ETF）。同时，对于单个任务，我们的方法有助于调节特征结构，并在各自分配区域内形成任务内可调的 ETF。因此，我们的方法同时确保任务间和任务内的判别性特征结构，并且可以无缝集成到任何现有的对比持续学习框架中。大量实验验证了其有效性。
引用
@article{arxiv.2509.15347,
title = {Global Pre-fixing, Local Adjusting: A Simple yet Effective Contrastive Strategy for Continual Learning},
author = {Jia Tang and Xinrui Wang and Songcan Chen},
journal= {arXiv preprint arXiv:2509.15347},
year = {2025}
}
备注
The article has been accepted by Frontiers of Computer Science (FCS), with the DOI: {10.1007/s11704-025-50623-6}