基于图驱动的动态相似性分组的有序无关类增量学习
机器学习
2025-03-19 v2 人工智能
摘要
类增量学习（CIL）旨在使模型能够顺序学习新类别，同时保留旧有的知识。尽管当前方法已缓解了灾难性遗忘（Catastrophic Forgetting, CF），但近期研究表明，CIL模型的性能对类别到达顺序高度敏感，尤其是在新引入的类别间相似性较高时。为此，我们首先通过理论分析扩展现有的CIL框架，证明在增量阶段对具有较低两两相似性的类别进行分组，可显著提高模型对顺序变化的鲁棒性。基于此洞见，我们提出了图驱动的动态相似性分组（Graph-Driven Dynamic Similarity Grouping, GDDSG）方法，采用图染色算法动态地将类别划分为受相似性约束的分组。每个分组训练一个独立的CIL子模型，并构建类别分组的元特征。实验结果表明，我们的方法有效解决了类别顺序敏感性问题，在模型准确率和抗遗忘能力方面均实现最佳性能。我们的代码已公开：https://github.com/AIGNLAI/GDDSG。
引用
@article{arxiv.2502.20032,
title = {Order-Robust Class Incremental Learning: Graph-Driven Dynamic Similarity Grouping},
author = {Guannan Lai and Yujie Li and Xiangkun Wang and Junbo Zhang and Tianrui Li and Xin Yang},
journal= {arXiv preprint arXiv:2502.20032},
year = {2025}
}
备注
Accepted to CVPR 2025