通过推理学习：基于类递增学习的类比权重生成
计算机视觉与模式识别
2026-02-24 v2 人工智能
摘要
少样本类递增学习（Few-shot Class-Incremental Learning, FSCIL）使模型能够在有限数据的情况下学习新类别，同时保持对以前学习类别的性能。传统的FSCIL方法通常需要在有限的新类别数据上调整参数，并 suffer 从类比学习新类别与利用旧知识之间的分离。灵感来自人类大脑的类比学习机制，我们提出了一种新颖的类比生成方法。我们的 метод包括脑类比生成器（Brain-Inspired Analogical Generator, BiAG），该生成器在增量阶段无需参数微调即可从现有类别中推导新类别权重。BiAG由三个组件构成：权重自注意力模块（Weight Self-Attention Module, WSA）、权重与原型类比注意力模块（Weight & Prototype Analogical Attention Module, WPAA）以及语义转换模块（Semantic Conversion Module, SCM）。SCM使用神经坍缩理论进行语义转换，WSA补充新类别权重，WPAA计算类比以生成新类别权重。在miniImageNet、CUB-200和CIFAR-100数据集上的实验表明，我们的方法在最终准确率和平均准确率方面均优于SOTA方法。
引用
@article{arxiv.2503.21258,
title = {Learn by Reasoning: Analogical Weight Generation for Few-Shot Class-Incremental Learning},
author = {Jizhou Han and Chenhao Ding and Yuhang He and Songlin Dong and Qiang Wang and Xinyuan Gao and Yihong Gong},
journal= {arXiv preprint arXiv:2503.21258},
year = {2026}
}
备注
Accepted by IEEE TCSVT. This is the author's version which has not been fully edited and content may change prior to final publication