数据稀缺下灾难性遗忘的最新进展：少样本类别增量学习综合综述
机器学习
2025-02-13 v1 人工智能
计算机视觉与模式识别
摘要
数据稀缺显著增加了持续学习问题的难度，即深度神经网络如何在样本极少的动态环境中学习。然而，少样本类别增量学习（FSCIL）方法的最新进展及相关研究展示了应对该问题的深刻洞见。本文对 FSCIL 进行了全面综述，重点阐述了若干重要方面：FSCIL 方法的全面且形式化的目标、原型修正的重要性、基于预训练模型与语言引导机制的新学习范式、FSCIL 性能指标与评估的深入分析，以及 FSCIL 在各领域的实际应用场景。我们的广泛讨论呈现了 FSCIL 的开放挑战、潜在解决方案与未来方向。
引用
@article{arxiv.2502.08181,
title = {Latest Advancements Towards Catastrophic Forgetting under Data Scarcity: A Comprehensive Survey on Few-Shot Class Incremental Learning},
author = {M. Anwar Ma'sum and Mahardhika Pratama and Igor Skrjanc},
journal= {arXiv preprint arXiv:2502.08181},
year = {2025}
}