Head-Agnostic Alignment

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。