实体
FSCIL
FSCIL
PulseAugur coverage of FSCIL — every cluster mentioning FSCIL across labs, papers, and developer communities, ranked by signal.
总计 · 30天
3
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
3
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
新框架为稀缺的少样本学习策展合成数据
研究人员提出了一种用于通用少样本类增量学习（G-FSCIL）的新框架，该场景下基础数据和增量数据都非常稀缺。所提出的方法通过策展可信的合成知识来解决弱初始表示和语义漂移等挑战。它利用一个冻结的潜在扩散模型来生成合成数据，学习一种选择语义一致且视觉多样化样本的策略，并采用边界稳定的增量适应方案来减轻新旧类别之间的冲突。实验表明，这种方法优于现有的FSCIL方法，改善了新旧类别之间的平衡。
-
新的FSCIL框架利用LoRA和SSL增强恶意软件检测
研究人员开发了一种新颖的少样本类增量学习（FSCIL）框架，专门用于恶意数据包识别。该方法利用在恶意软件数据包上预训练的自监督学习骨干网络，并结合低秩适配（LoRA）以在不发生灾难性遗忘的情况下高效更新模型。该系统还采用基于原型的分类头来处理有限数据的新恶意软件类别，并在实验中展示了最先进的性能。
-
新框架应对触觉AI学习中的上下文敏感变化
研究人员开发了一个名为上下文探测少样本类增量学习（CoP-FSCIL）的新框架，以解决少样本类增量学习中触觉传感的挑战。该方法解决了由于传感设备或扫描轨迹等不同采集上下文，相同材料可能产生不同观测值的问题。CoP-FSCIL使用上下文探测干预来识别上下文敏感的变化，使用探测条件商适配器来降低这些敏感性，并使用探测稳定性原型校准来确保可靠的原型估计。在HapTex和LMT108等触觉数据集上的实验表明，CoP-FSCIL的性能优于现有方法。