MCIGLE：多模态无样本类递增图学习
机器学习
2025-09-09 v1 多媒体
摘要
无样本类递增学习使模型能够在不存储旧数据的情况下学习新类别。随着多模态图结构数据的流行，现有方法在面临灾难性遗忘、分布偏置、内存限制和弱泛化等挑战时表现不佳。我们提出MCIGLE（Multimodal Exemplar-Free Class-Incremental Graph Learning），是一个新框架，通过提取和对齐多模态图特征并应用拼接式递归最小二乘（Concatenated Recursive Least Squares）来实现有效的知识保留。通过多通道处理，MCIGLE在准确率和内存保存之间取得平衡。在公开数据集上的实验验证了其有效性和通用性。
引用
@article{arxiv.2509.06219,
title = {MCIGLE: Multimodal Exemplar-Free Class-Incremental Graph Learning},
author = {Haochen You and Baojing Liu},
journal= {arXiv preprint arXiv:2509.06219},
year = {2025}
}
备注
Accepted as a conference paper at KSEM 2025