Tag · 4 篇
预训练模型
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。