类递增学习中正负监督的时序不平衡
机器学习
2026-03-04 v1 人工智能
摘要
随着深度学习在视觉任务中的广泛应用，类递增学习 (CIL) 已成为处理动态演化数据分布的重要范式。然而，CIL面临灾难性遗忘的核心挑战，常表现为对新类的预测偏差。现有方法主要将该偏差归因于任务内类别不平衡，关注在分类器头部进行校正。本文强调了一个被忽视的因素——时序不平衡——作为这种偏差的关键原因。较早的类别在训练结束时接收更强的负监督，导致精确率和召回率不对称。我们建立了时序监督模型，正式定义时序不平衡，并提出时序调整损失 (TAL)，其使用时序衰减核构建监督强度向量，动态重加权交叉熵损失中的负监督。理论分析表明，在平衡条件下，TAL退化为标准交叉熵，并能有效缓解不平衡下的预测偏差。大量实验表明，TAL显著减少遗忘并在多个CIL基准上提高性能，凸显时序建模对于稳定长期学习的重要性。
引用
@article{arxiv.2603.02280,
title = {Temporal Imbalance of Positive and Negative Supervision in Class-Incremental Learning},
author = {Jinge Ma and Fengqing Zhu},
journal= {arXiv preprint arXiv:2603.02280},
year = {2026}
}
备注
Accepted to CVPR 2026