分类学式类别增量学习
机器学习
2023-04-13 v1 计算机视觉与模式识别
摘要
持续学习问题近年来引起了越来越多的关注。然而，很少有工作质疑基于随机类别任务课程的常见学习设置。这与人类持续学习显著不同，后者由分类学课程引导。在本工作中，我们提出了分类学式类别增量学习（Taxonomic Class Incremental Learning, TCIL）问题。在 TCIL 中，任务序列基于分类学类别树组织。我们将现有的 CIL 与分类学学习方法统一为参数继承方案，并为 TCIL 学习引入了一种新的此类方案。这使得知识能够通过参数继承从类别分类法中的祖先类增量迁移到后代类。在 CIFAR-100 和 ImageNet-100 上的实验表明了所提 TCIL 方法的有效性，其在 CIFAR-100 上最终准确率超越现有 SOTA 方法 2%，在 ImageNet-100 上超越 3%。
引用
@article{arxiv.2304.05547,
title = {Taxonomic Class Incremental Learning},
author = {Yuzhao Chen and Zonghuan Li and Zhiyuan Hu and Nuno Vasconcelos},
journal= {arXiv preprint arXiv:2304.05547},
year = {2023}
}