基数据也稀缺时，FSCIL靠整理合成知识稳住新旧类别边界，持续超越现有基线！
Learning to Curate What You Generate for Generalizable Few-Shot Class-Incremental Learning
📖 AI 总结
本文研究少样本类增量学习（FSCIL）中一个此前被忽视的现实场景：基类会话本身样本极少，即"可泛化FSCIL"（G-FSCIL）。在此设定下，模型初始表征薄弱，易出现语义漂移和边界不稳定。作者提出一套框架，利用冻结的潜在扩散模型构建类特定的合成候选池，并通过学习知识筛选策略，挑选兼具语义一致性与视觉多样性的样本，且将该策略在基类会话中蒸馏为可迁移的选择策略，后续无需再优化。在此基础上，作者设计了边界稳定的增量适应方案，包括合成信息引导的原型初始化和双向边界校准，以缓解新旧类冲突。实验表明，该方法在多个FSCIL基准上稳定优于现有方法，遗忘更少，新旧类平衡更好。该工作为数据稀缺条件下的增量学习提供了可行路径。
🔑 关键词速览
| Few-Shot Class-Incremental Learning (FSCIL) | 少样本类增量学习，一种在仅有少量标注样本的情况下逐步学习新类别并保留旧类别知识的机器学习范式。 |
| Generalizable FSCIL (G-FSCIL) | 可泛化少样本类增量学习，本文提出的更现实设定，其中基会话本身仅包含少量类别，导致初始表示薄弱。 |
| Latent Diffusion Model | 潜在扩散模型，一种在潜在空间中进行去噪扩散的生成模型，用于合成高质量图像数据。 |
| Knowledge Curation | 知识整理，本文提出的策略，从合成候选池中选择语义一致且视觉多样的样本以构建可信训练集。 |
| Bidirectional Boundary Calibration | 双向边界校准，一种缓解新旧类别边界冲突的增量适应技术，通过调整决策边界提升分类稳定性。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅