Tag · 10 篇
类增量学习
解锁手术器械增量学习中的正迁移：自反思层级提示词框架
Unlocking Positive Transfer in Incrementally Learning Surgical Instruments: A Self-reflection Hierarchical Prompt Framework
在冻结的预训练骨干上，用层级提示词树组织类别知识，并通过有向加权图传播做自反思式知识精炼，为视觉中的类增量分割提供了一种可复用的正迁移机制，可直接迁移到其他增量分割或增量检测设定。
类增量学习中正负监督的时序不平衡
Temporal Imbalance of Positive and Negative Supervision in Class-Incremental Learning
提出时序衰减核来重加权交叉熵中的负监督，可直接嵌入任何类增量学习框架的损失函数，缓解因旧类负监督过强导致的预测偏置与遗忘。
面向少样本类增量学习的语义引导全局-局部协同提示词学习
Semantic-Guided Global-Local Collaborative Prompt Learning for Few-Shot Class Incremental Learning
利用冻结的视觉语言模型原型与 LLM 生成的语义描述做全局-局部双对齐提示词学习，为视觉研究者提供了一种在少样本增量场景下抑制灾难性遗忘与过拟合的可复用范式，可直接迁移到开放词表识别与持续学习式视觉分类。
表征引导的增量适配器微调用于预训练模型类增量学习
Representation-Steered Incremental Adapter-Tuning for Class-Incremental Learning with Pre-Trained Models
提出单一共享适配器与表征引导损失，避免类增量学习中参数随任务线性增长，并用残差自编码投影器对齐新旧任务特征分布，为视觉模型持续学习提供参数高效且表征一致的方案。
面向预训练模型类增量学习的量子门控任务交互知识蒸馏
Quantum-Gated Task-interaction Knowledge Distillation for Pre-trained Model-based Class-Incremental Learning
提出量子门控任务调制机制，动态建模任务嵌入间的依赖关系，并以此引导跨任务适配器的知识蒸馏，为视觉类增量学习提供了一种缓解灾难性遗忘的可复用技术路径。
几何驱动的 OOD 检测器即类增量学习器
Geometry-driven OOD Detectors Are Class-Incremental Learners
把每个任务的分类头改造成基于固定 ETF 锚点的几何空间，使分类头同时具备 IND 识别与 OOD 拒识能力，从而让 CIL 无需额外的任务推断或 logit 校准；这套「几何化检测头 + ArcFace 收紧类内」的做法可直接迁移到视觉分类器的开放世界增量部署与 OOD 拒识场景。
通过保持类判别结构实现无样本类增量学习
Exemplar-Free Class Incremental Learning via Preserving Class-Discriminative Structure
对做视觉分类/增量学习的人，这篇给出了一个可复用的正则化思路：在参数高效微调时同时约束类内协方差形状与样本-旧原型夹角，可直接插到基于预训练 ViT 的增量学习流程里缓解表征坍缩。
DGS：用于类增量学习的双梯度与语义漂移引导的低秩适配
DGS: Dual Gradient and Semantic-Shift Guided Low-Rank Adaptation for Class Incremental Learning
对视觉研究者而言，这篇论文给出了在预训练视觉模型上做类增量学习时，用双梯度融合（基子空间投影 + 任务 LoRA 梯度插值融合）替代刚性正交约束的思路，并配合分类器对齐与 patch 级对齐损失，可直接迁移到 ViT 类骨干的持续学习/多任务微调流程中。
CHEEM：复用、新建、适配与跳过的持续学习——一种分层探索-利用方法
CHEEM: Continual Learning by Reuse, New, Adapt and Skip - A Hierarchical Exploration-Exploitation Approach
把神经架构搜索当作持续学习中的内部记忆：每个新任务通过 reuse/new/adapt/skip 四种原语动态改写骨干网络结构，视觉研究者可将其作为免样本类增量学习下替代 prompt 微调的骨干自适应方案，并复用其任务质心外部记忆做任务 ID 推理。
超越短视对齐：面向在线类增量学习的前瞻优化
Beyond Myopic Alignment: Lookahead Optimization for Online Class-Incremental Learning
把「前瞻式优化」引入基于排练的在线类增量学习：沿兼顾可塑性与稳定性的多个方向做前瞻步，再用一阶 Log-Sum-Exp 代理目标强化最差方向，可直接替换视觉分类模型持续学习中的梯度对齐/超梯度更新环节。