面向开放世界的自适应自监督与不平衡感知系统

机器学习向动态环境拓展带来了在标签迁移、协变量迁移和未知类别出现等方面处理开放世界问题的挑战。已探索后训练方法以适应这些挑战，使模型能够处理新出现的資料。然而，这些方法在初始预训练于类别不平衡数据集时，难以为少数类提供足够的泛化能力。为此，本文提出一种即使在初始预训练于不平衡数据集时，仍能有效处理开放世界问题的方法。我们的对比学习预训练方法提升了特别是针对 underrepresented 类（少数类）的分类性能。我们的后训练机制生成可靠的伪标签，提高了模型对开放世界问题的鲁棒性。我们还引入选择性激活准则，以优化后训练过程，减少不必要的计算。大量实验表明，我们的方法在准确率和效率方面均显著优于当前最先进的适应技术，涵盖多种开放世界情景。