English(EN) Beyond Point-wise Neural Collapse: A Topology-Aware Hierarchical Classifier for Class-Incremental Learning

新型分类器应对类别增量学习挑战

作者 PulseAugur 编辑部 · [1 个来源] · 2026-05-12 10:18

研究人员开发了一种名为层级聚类SOINN（HC-SOINN）的新型分类器，以改进类别增量学习（CIL）。这种新方法通过捕获类别流形的拓扑结构，而不是假设单个点，来解决传统最近类别均值（NCM）分类器的局限性。HC-SOINN分类器通过残差结构拓扑对齐（STAR）方法进一步增强，该方法主动适应学习到的拓扑以应对复杂的特征漂移。将HC-SOINN集成到现有的CIL方法中已显示出持续的性能提升。 AI

影响引入了一种新型分类器，通过更好地处理复杂数据拓扑来提高类别增量学习的性能。

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.CV 阅读 →

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

报道来源 [1]

arXiv cs.CV TIER_1 English(EN) · Furao Shen · 2026-05-12 10:18

Beyond Point-wise Neural Collapse: A Topology-Aware Hierarchical Classifier for Class-Incremental Learning

The Nearest Class Mean (NCM) classifier is widely favored in Class-Incremental Learning (CIL) for its superior resistance to catastrophic forgetting compared to Fully Connected layers. While Neural Collapse (NC) theory supports NCM's optimality by assuming features collapse into …

报道来源 [1]

Beyond Point-wise Neural Collapse: A Topology-Aware Hierarchical Classifier for Class-Incremental Learning

相关实体

相关话题