SPRINT: 面向少样本类递增表格学习的半监督原型表征
计算机视觉与模式识别
2026-03-05 v1 人工智能
摘要
现实系统必须能够从有限数据中持续适应新概念, 而不忘记先前获取的知识。虽然少样本类递增学习(FSCIL)在计算机视觉中已成为 established 方法, 但其应用于表格域仍 largely 未探索。不同于图像, 表格流(如日志、传感器)提供丰富的无标签数据、稀缺的专家注释和微乎其微的存储成本, 这些特征被忽略了依赖限制性缓冲区的现有视觉方法。在本文中, 我们引入SPRINT, 一个量身为表格分布打造的FSCIL框架。SPRINT引入混合episodic训练策略, 利用基于置信度的伪标签化来丰富新类的表征, 并利用低存储成本保留基类历史。广泛的评估跨越六个多样化基准测试覆盖网络安全、医疗和生态学领域, 表明SPRINT的 cross-domain robust. 它实现了 state-of-the-art 的平均准确率77.37%(5-shot), 在最强的增量基线上超越了4.45。
引用
@article{arxiv.2603.04321,
title = {SPRINT: Semi-supervised Prototypical Representation for Few-Shot Class-Incremental Tabular Learning},
author = {Umid Suleymanov and Murat Kantarcioglu and Kevin S Chan and Michael De Lucia and Kevin Hamlen and Latifur Khan and Sharad Mehrotra and Ananthram Swami and Bhavani Thuraisingham},
journal= {arXiv preprint arXiv:2603.04321},
year = {2026}
}
备注
Under Review