新FFCIL框架通过不规则类别到达增强类别增量学习

研究人员提出了Free-Flow Class-Incremental Learning (FFCIL)来应对机器学习系统中新类别不规则到来的场景。传统的类别增量学习（CIL）方法通常在固定时间表下进行评估，这不能反映新类别可能不可预测地出现的现实世界应用。提出的FFCIL框架旨在通过引入类别均值（CWM）进行损失聚合，动态干预权重对齐（DIWA）根据增量大小调整新类别权重校准，以及无头对齐（HA）对预训练模型进行特征级校正来提高鲁棒性。 AI

影响 这项研究可能带来更具适应性的AI系统，即使新信息不可预测地到来，也能在不忘记先前知识的情况下学习新概念。

排序理由 该集群包含一篇详细介绍类别增量学习新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• arXiv
• Class Incremental Learning
• Class-Wise Mean
• DIWA
• Dynamic Intervention Weight Alignment
• FFCIL
• Free-Flow Class-Incremental Learning
• Head-Agnostic Alignment
• Zhiming Xu

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →