Semantic Shift Estimation via Dual-Projection and Classifier Reconstruction for Exemplar-Free Class-Incremental Learning

作者: Run He, Di Fang, Yicheng Xu, Yawen Cui, Ming Li, Cen Chen, Ziqian Zeng, Huiping Zhuang

发布时间: 2025-03-10

来源: arxiv

研究方向: 机器学习,持续学习,类增量学习

主要内容

该论文提出了一种名为DPCR的EFCIL(无样本类增量学习)方法,旨在解决在持续学习过程中遇到的语义偏移和决策偏差问题。DPCR通过双重投影和分类器重建技术,有效地平衡了稳定性和塑性,提高了模型在新任务上的表现。

主要贡献

1. 提出了一种名为DPCR的EFCIL方法,解决了语义偏移和决策偏差问题。

2. 通过双重投影技术捕捉语义偏移,包括任务级语义偏移投影和类别信息投影。

3. 采用基于岭回归的分类器重建方法,减少决策偏差。

4. 在多个数据集上进行了实验,结果表明DPCR优于现有的EFCIL方法。

研究方法

1. 双重投影(DP)

2. 任务级语义偏移投影(TSSP)

3. 类别信息投影(CIP)

4. 基于岭回归的分类器重建(RRCR)

5. 类别级规范化(CN)

实验结果

在CIFAR-100、Tiny-ImageNet和ImageNet-100等数据集上进行的实验表明,DPCR在最终准确率和平均增量准确率方面均优于现有的EFCIL方法。此外,消融实验也证明了DP和CN的有效性。

未来工作

未来工作可以进一步研究如何提高DPCR在复杂场景下的性能,例如在具有更高类别数量的数据集上或者在具有更复杂任务的场景中。此外,还可以探索将DPCR与其他持续学习方法相结合,以提高模型的泛化能力。