无准备存储、无任务的在线持续学习：基于对比提示
机器学习
2025-10-02 v1 计算机视觉与模式识别
摘要
持续学习的主要挑战是灾难性遗忘。由于数据单遍处理，线上持续学习(OCL)是最困难的持续学习场景之一。为解决OCL中的灾难性遗忘，一些现有研究使用存储缓冲区来存储样本并在后续学习过程中重放;其他研究不存储样本但假设学习任务序列，以便可以探索任务身份。然而，存储样本可能引发数据安全或隐私问题，且在数据单遍处理时识别学习任务边界并总是可行。这促使我们研究无准备存储、无任务的OCL(F2OCL)。通过将提示学习集成到NCM分类器中，该研究在不存储样本、不使用任务边界或身份的情况下有效地解决了灾难性遗忘问题。在两个基准上的大量实验结果表明，所提出的方法有效。
引用
@article{arxiv.2510.00467,
title = {Rehearsal-free and Task-free Online Continual Learning With Contrastive Prompt},
author = {Aopeng Wang and Ke Deng and Yongli Ren and Jun Luo},
journal= {arXiv preprint arXiv:2510.00467},
year = {2025}
}
备注
preparing for CVIU