TACLE：面向无样本的任务与类别感知的半监督类增量学习框架
计算机视觉与模式识别
2024-07-12 v1
摘要
我们提出一种新颖的TACLE（TAsk and CLass-awarE）框架，以解决无样本半监督类增量学习这一相对未被充分探索且具有挑战性的问题。在该场景下，模型需在获取前序类别样本的情况下，从（有限）标注和未标注数据中学习新类别。除利用预训练模型的能力外，TACLE提出一种任务自适应阈值，以最大化利用可用未标注数据。此外，为增强稀疏类别的性能，我们提出一种类别加权交叉熵损失。我们还利用未标注数据进行分类器对齐，从而进一步提升模型性能。在CIFAR10、CIFAR100和ImageNet-Subset100等基准数据集上进行大量实验，证明了TACLE框架的有效性。我们进一步展示了在未标注数据不平衡且仅有每类一个标注样本的极端情况下，TACLE仍有效。
引用
@article{arxiv.2407.08041,
title = {TACLE: Task and Class-aware Exemplar-free Semi-supervised Class Incremental Learning},
author = {Jayateja Kalla and Rohit Kumar and Soma Biswas},
journal= {arXiv preprint arXiv:2407.08041},
year = {2024}
}