受分区存储启发的少样本类增量学习
人工智能
2025-04-30 v1
摘要
当前主流的深度学习技术依赖大量训练数据且缺乏对动态世界的适应性，这与人类智能之间存在显著差异。为弥合这一差距，少样本类增量学习（FSCIL）应运而出，聚焦于在不忘记旧知识的前提下，以有限样本持续学习新类别。现有的 FSCIL 研究通常使用单个模型跨所有会话学习知识，不可避免地导致稳定性-塑性困境。与机器不同，人类会将不同类型的知识存储在不同的皮层中。本文致力于开发一种为每个会话学习独立模型的方法，这本质上可以防止灾难性遗忘。在测试阶段，我们的方法集成了不确定性量化（UQ）用于模型部署。该方法为 FSCIL 提出了新的视角，并在 CIFAR-100 和 mini-ImageNet 数据集上实现了最先进的性能。
引用
@article{arxiv.2504.20797,
title = {Partitioned Memory Storage Inspired Few-Shot Class-Incremental learning},
author = {Renye Zhang and Yimin Yin and Jinghua Zhang},
journal= {arXiv preprint arXiv:2504.20797},
year = {2025}
}