用于松弛后向兼容学习中对齐约束的原型扰动
计算机视觉与模式识别
2026-03-10 v2
摘要
更新检索模型的传统范式需要重新计算画廊数据的嵌入，这是一种耗时且计算密集的过程，称为 backfilling。为规避 backfilling，已广泛探索后向兼容学习（BCL），旨在训练与旧模型兼容的新模型。许多前期工作专注于有效地将新模型的嵌入与旧模型的嵌入对齐，以增强后向兼容性。然而，这种强对齐约束会损害新模型的判别能力，尤其是在不同类别在旧特征空间中紧密聚集且难以区分时。为此，我们提出通过引入对旧特征原型的扰动来放松约束。这使我们能够将新特征空间与由这些扰动原型定义的伪旧特征空间对齐，从而在后向兼容学习中保持新模型的判别能力。我们 developed了两种计算扰动的方法：Neighbor-Driven Prototype Perturbation（NDPP）和 Optimization-Driven Prototype Perturbation（ODPP）。特别是，它们考虑了不仅旧模型，还包括新模型的特征分布，以获得沿着新模型更新方向的适当扰动。在标志性数据集和商品数据集上的大量实验表明，我们的方法在与 state-of-the-art BCL 算法方面表现优异。
引用
@article{arxiv.2503.14824,
title = {Prototype Perturbation for Relaxing Alignment Constraints in Backward-Compatible Learning},
author = {Zikun Zhou and Yushuai Sun and Wenjie Pei and Xin Li and Yaowei Wang},
journal= {arXiv preprint arXiv:2503.14824},
year = {2026}
}
备注
Accept to IEEE TMM