Tag · 3 篇
少样本类增量学习
分布 自监督与表征学习2视觉语言模型1
01 02 03
TAPE：音频语言模型中任务自适应原型进化用于完全少样本类增量音频分类
TAPE: Task-Adaptive Prototype Evolution in Audio-Language Models for Fully Few-shot Class-incremental Audio Classification
论文提出的任务适配器（Task-Adapter）和原型进化机制可迁移到视觉中的少样本类增量学习场景，例如利用CLIP等视觉语言模型进行增量目标识别时，通过隔离特征空间和动态原型更新来缓解灾难性遗忘与过拟合。
从量化残差到连续提示词：面向视觉语言模型少样本类增量学习
Quantized Residuals to Continuous Prompts for Few-Shot Class Incremental Learning in Vision-Language Models
把 VLM 图文特征的残差当作补充细粒度线索的载体，并用离散码本量化残差子空间、再由分层提示词编码器解码成连续类自适应提示词，这套「残差量化→连续提示词」的接口可直接迁移到其他需要稳定+可塑的 VLM 增量适配场景。
HyCal：面向跨学科少样本类增量学习的免训练原型校准方法
HyCal: A Training-Free Prototype Calibration Method for Cross-Discipline Few-Shot Class-Incremental Learning
在冻结的 CLIP 嵌入上，用余弦相似度与马氏距离互补地校准类原型，可作为一种免训练的原型修正手段，直接迁移到少样本/增量式的开放词表识别与跨域检索场景。