一种通用适配器：面向步骤不平衡类别增量学习的统一表征

类别增量学习（CIL）旨在随时间获取新类别，同时保留先前知识，但大多数设置和方法假设任务流是平衡的。在实际情况下，每个任务的类别数常常有显著差异。我们称之为步骤不平衡（step imbalance），其中包含更多类别的大型任务主导学习，而小型任务则注入不稳定的更新。现有的CIL方法假设任务是平衡的，因此对所有任务统一处理，导致不平衡的更新，影响整体学习性能。为解决这一挑战，我们提出了One-A（One Adapter）框架——一个统一且不平衡感知的框架，通过递增合并任务更新到单个适配器中，保持常数的推理成本。One-A执行非对称子空间对齐，以保留来自大型任务学习的主导子空间，同时将信息较少的更新限制在这些子空间内。信息自适应加权在基座适配器和新适配器之间平衡贡献，方向门控机制在每个奇异方向上选择性地融合更新，保持主方向上的稳定性和尾部方向上的塑性。在多个基准测试和步骤不平衡流上，One-A在显著低的推理开销下实现了竞争性的准确率，表明单个非对称融合的适配器既能适应动态任务大小，又能在部署时保持高效。