HyCal：面向跨学科小样本类增量学习的免训练原型校准方法
计算机视觉与模式识别
2026-04-20 v1
摘要
像 CLIP 这样的预训练视觉-语言模型（VLM）在持续学习中展现出潜力，但现有小样本类增量学习（FSCIL）方法假设同质领域和平衡的数据分布，限制了其在数据来自异质学科、样本可用性不平衡且视觉复杂性各异的现实世界中的应用。我们识别出“领域引力”现象，这是一种表征不对称性，即跨异质领域的数据不平衡导致过度代表或低熵领域不成比例地影响嵌入空间，造成原型漂移，并降低在代表性不足或高熵领域上的性能。为解决此问题，我们引入了跨学科可变小样本类增量学习（XD-VSCIL）基准，该基准捕捉了现实世界中的异质性和不平衡性，其中领域引力自然加剧。我们提出了混合原型校准（HyCal），这是一种免训练方法，结合了余弦相似度和马氏距离，以捕获互补的几何属性——方向对齐和协方差感知的幅度——从而在不平衡的异质条件下产生稳定的原型。HyCal 在冻结的 CLIP 嵌入上运行，在保持效率的同时实现了持续的保留-适应改进。实验表明，HyCal 有效缓解了领域引力，并在不平衡的跨领域增量学习中优于现有方法。
引用
@article{arxiv.2604.15678,
title = {HyCal: A Training-Free Prototype Calibration Method for Cross-Discipline Few-Shot Class-Incremental Learning},
author = {Eunju Lee and MiHyeon Kim and JuneHyoung Kwon and Yoonji Lee and JiHyun Kim and Soojin Jang and YoungBin Kim},
journal= {arXiv preprint arXiv:2604.15678},
year = {2026}
}
备注
Accepted to CVPR 2026. Eunju Lee and MiHyeon Kim contributed equally as co-first authors