韌性增量式類別學習：漂移、無標籤與不平衡數據流之間的互動
机器学习
2026-02-11 v1 人工智能
摘要
在當今連接的世界中，跨越各個領域的大規模流式數據生成已成為常態。在概念漂移、類別不平衡、標籤稀缺與新類別出現的存在下，這些因素共同惡化了表示穩定性，偏向於過時分布，並降低了動態環境中檢測的韌性與可靠性。本文提出 SCIL（Streaming Class-Incremental Learning）以解決這些挑戰。SCIL 框架將自編碼器 (AE) 與多層感知器結合以進行多類別預測，採用雙損失策略（分類與重建）進行預測與新類別檢測，運用修正的偽標籤進行線上訓練，管理類別佈局，並應用抽樣以處理不平衡。本方法結構背後的理念透過消融研究詮釋，並使用具備類別不平衡、增量類別與概念漂移的真實與合成數據集進行綜合實驗評估。我們的結果顯示，SCIL 在強大的基線與最新方法之上。 Based on our commitment to Open Science, we make our code and datasets available to the community.
引用
@article{arxiv.2602.09681,
title = {Resilient Class-Incremental Learning: on the Interplay of Drifting, Unlabelled and Imbalanced Data Streams},
author = {Jin Li and Kleanthis Malialis and Marios Polycarpou},
journal= {arXiv preprint arXiv:2602.09681},
year = {2026}
}
备注
Accepted by Artificial Intelligence Science and Engineering