摘要

动态扩展架构在类别增量学习中日益流行，主要得益于其在缓解灾难性遗忘方面的显著优势。然而，该框架对任务混淆问题的评估仍不充分，例如：不同任务间类别的差异未能得到充分学习（即任务间混淆，Inter-Task Confusion, ITC），同时对最新一类批次仍存在优先倾向（即旧-新混淆，Old-New Confusion, ONC）。本文通过实验验证了这两种混淆带来的负面效应。为此，我们提出一种新颖的解决方案——任务相关增量学习（Task Correlated Incremental Learning, TCIL），旨在促进跨任务间特征的区分性与公平性利用。TCIL采用多层次知识蒸馏机制，将旧任务中学习到的知识有效传递至新任务。该方法在特征层与logit层均构建信息传递路径，使模型在学习新任务时能够感知旧类别信息。此外，引入注意力机制与分类器重评分策略，以生成更为公平的分类得分。我们在CIFAR100与ImageNet100数据集上进行了大量实验，结果表明，TCIL在各项指标上均持续达到当前最优性能。该方法有效缓解了ITC与ONC问题，即使在未使用回放记忆（rehearsal memory）的情况下，仍展现出对灾难性遗忘的强大抵御能力。