为多标签类增量学习指定已知或未知内容
机器学习
2025-03-24 v1 计算机视觉与模式识别
摘要
现有的类增量学习主要设计用于单标签分类任务，由于学习目标在标签不完整样本之间存在内在矛盾，因而不适用于多标签场景。我们认为，克服多标签类增量学习（MLCIL）中这种矛盾的主要挑战在于模型无法清晰区分已知和未知知识。这种模糊性阻碍了模型在保留历史知识、掌握当前类别以及为未来学习同时进行的能力。在本文中，我们针对 MLCIL 目标于指定已知或未知内容，以适应历史、当前和前瞻知识，并提出一种新框架称为 HCP。具体地，(i) 我们通过动态特征纯化和带分布先验的召回增强来明确已知类别，提高已有信息的精确度和保留率。(ii) 我们设计了前瞻知识挖掘以探索未知内容，为未来学习做准备。大量实验验证了我们的方法有效缓解了 MLCIL 中的灾难性遗忘，在没有回放缓冲区的情况下，在 MS-COCO B0-C10 设置下平均准确率提升了 3.3%。
引用
@article{arxiv.2503.17017,
title = {Specifying What You Know or Not for Multi-Label Class-Incremental Learning},
author = {Aoting Zhang and Dongbao Yang and Chang Liu and Xiaopeng Hong and Yu Zhou},
journal= {arXiv preprint arXiv:2503.17017},
year = {2025}
}
备注
Accepted by AAAI 2025