实体
Exemplar-free class-incremental learning
Exemplar-free class-incremental learning
PulseAugur coverage of Exemplar-free class-incremental learning — every cluster mentioning Exemplar-free class-incremental learning across labs, papers, and developer communities, ranked by signal.
总计 · 30天
0
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
0
90 天内 2
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 2 条
-
新框架改进了无样本类别增量学习
研究人员推出了一种新颖的无样本类别增量学习（EFCIL）方法——几何锚定传输框架。该框架将特征传输作为内在训练约束，而不是单独的后任务步骤，以在变化的特征空间中保持稳定的决策边界。它利用通过马氏距离对齐回归获得的解析几何锚点来解决各向异性漂移，并利用拓扑感知演化目标来正则化流形退化。在 CIFAR-100、TinyImageNet 和 ImageNet-100 上的实验表明，这种耦合方法在严格的无样本条件下比现有的事后方法提高了性能。
-
新的BiCyc方法通过减少模型遗忘来改进持续学习
研究人员开发了一种名为BiCyc的新方法，用于无样本类增量学习，旨在防止模型在学习新技能时遗忘先前学到的信息。现有的基于投影的方法可能会通过扭曲特征几何或仅局部对齐旧类别来引入偏差。BiCyc通过使用具有循环一致性目标的双向投影方法来解决这个问题，共同优化两个映射，使传输和表示能够共同演化。该方法在标准基准测试中明显减少了遗忘并提高了准确性。