I2CANSAY：面向非样本式在线任务无关持续学习的跨类类比数据增强与类内显著性分析
计算机视觉与模式识别
2025-05-13 v1 机器学习
摘要
在线任务无关持续学习（OTFCL）是持续学习的一个更具挑战性的变体，强调任务边界的渐变并以在线方式进行学习。现有方法依赖由旧样本组成的记忆缓冲区来防止遗忘。然而，记忆缓冲区的使用不仅引发隐私 concerns，还阻碍了对新样本的高效学习。为此，我们提出一种 novel 框架 I2CANSAY，通过消除对记忆缓冲区的依赖，高效地从单样本数据中学习新知识。具体而言，our framework 由两个主要模块组成。首先，跨类类比数据增强（ICAN）模块基于不同新类的特征分布类间类比，生成旧类的多样伪特征，作为记忆缓冲区的替代品。其次，类内显著性分析（ISAY）模块通过分析每个类的属性分布标准差，生成重要性向量作为线性分类器的校正偏置，从而增强从新样本学习的能力。我们在四个流行的图像分类数据集上进行实验：CoRe50、CIFAR-10、CIFAR-100 和 CUB-200，结果表明我们的方法在准确率上大幅优于先前的 state-of-the-art 方法。
引用
@article{arxiv.2404.13576,
title = {I2CANSAY:Inter-Class Analogical Augmentation and Intra-Class Significance Analysis for Non-Exemplar Online Task-Free Continual Learning},
author = {Songlin Dong and Yingjie Chen and Yuhang He and Yuhan Jin and Alex C. Kot and Yihong Gong},
journal= {arXiv preprint arXiv:2404.13576},
year = {2025}
}