研究人员为类别增量学习（CIL）引入了一种新颖的正则化方法，通过关注因果充分性和必要性来解决灾难性遗忘问题。该方法称为 CPNS，旨在通过量化任务内表示的因果完整性以及任务间表示的可分离性来减轻特征冲突。采用使用孪生网络的双范围反事实生成器来最小化与虚假关联相关的风险，从而改善 CIL 中的特征扩展。 AI
影响 在增量学习场景中引入了一种新颖的正则化技术，以改善特征扩展并减轻灾难性遗忘。
排序理由 这是一篇详细介绍类别增量学习新方法的学术论文。
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
arXiv:2603.09145v3 Announce Type: replace-cross Abstract: Current expansion-based methods for Class Incremental Learning (CIL) effectively mitigate catastrophic forgetting by freezing old features. However, such task-specific features learned from the new task may collide with th…