摘要

从新数据中持续学习新类别，同时不遗忘旧类别的知识，是一个极具挑战性的研究问题。此外，此类学习必须满足特定的内存与计算约束，包括：（i）每类训练样本仅限少量；（ii）学习新类别的计算开销保持恒定；（iii）模型的内存占用随所观察类别数量最多呈线性增长。为满足上述约束，我们提出C-FSCIL，其架构由一个冻结的元学习特征提取器、一个可训练的固定大小全连接层，以及一个可重写且动态增长的内存组成，该内存可存储与已遇到类别数量相等的向量。C-FSCIL提供三种更新模式，可在新类别学习的准确性与计算-内存开销之间实现灵活权衡。该方法利用超维嵌入（hyperdimensional embedding）技术，能够在固定维度的向量空间中持续表示远超维度数量的类别，且干扰极小。通过引入新颖的损失函数，进一步将类别向量表示在近正交方向上对齐，显著提升了表示质量。在CIFAR100、miniImageNet和Omniglot数据集上的实验表明，C-FSCIL在准确率与压缩性能方面均显著优于现有基线方法。此外，该方法可扩展至此类少样本设置中迄今为止最大的问题规模——在1200个基础类别的基础上，成功学习423个新类别，且准确率下降不足1.6%。相关代码已开源，地址为：https://github.com/IBM/constrained-FSCIL。