不只是目标，而是状态：无忘记的组合增量学习

大多数增量学习器过于关注粗糙的目标类别，却忽略了附着于目标的各种状态(如颜色和材料)。因此，它们在推理目标-状态对的细粒度组合性方面受限。为弥补这一限制，我们提出一种新任务——组合增量学习 (Compositional Incremental Learning, composition-IL)，使模型能够以增量学习方式整体识别状态-目标组合。由于缺乏合适的基准数据集，我们重新组织了两个现有数据集，使其适用于composition-IL。随后，我们提出一种基于提示的组合增量学习器 (Composition Incremental Learner, CompILer)，以克服composition-IL所面临的模糊组合边界问题。具体而言，我们利用多池提示学习，该方法通过池间提示差异和池内提示多样性进行正则化。此外，我们设计了对象注入状态提示，利用对象提示引导状态提示的选择。进一步，我们采用广义均值策略融合所选提示，以消除提示中学习的无关信息。对两个数据集上的大量实验表明，CompILer实现了状态-先进的性能。