通过使用简单的递增表示 (IR) 框架，使用数据增强覆盖合适的特征空间并使用单一的 L2 空间维护损失来防止模型遗忘，我们提出了一个用于非示例类增量学习 (efCIL) 的方法，实现在合并新类知识的同时保留先前学到的信息，而无需存储任何旧类示例 (样本)。在 CIFAR100、TinyImageNet 和 ImageNetSubset 数据集上广泛实验证明，我们提出的 IR 方法在性能上与其他方法相媲美，同时显著防止模型遗忘。

Mar, 2024

为了解决无模范约束下的递增学习问题，本文提出了一种双流分析学习方法，包含主流和补偿流，通过重定义问题和利用嵌入投影到主流线性映射的零空间来解决原有的欠拟合问题。实证结果显示，尽管无模范技术，DS-AL 在各个数据集上的性能不输于或优于基于重放的方法。

Mar, 2024

FeTrIL 框架的研究扩展至新颖的实验领域，通过对多个具有挑战性的数据集和增量设置进行各种过采样技术和动态优化策略的实证研究来研究其有效性，特别是探索过采样对特征可用性的影响以及不同的优化方法对增量学习结果的影响。通过在 CIFAR100、Tiny-ImageNet 和 ImageNet-Subset 上进行全面实验，FeTrIL 在新旧类别的准确性平衡方面表现出卓越性能，相对于其他十种方法，其优越性能得到了肯定。研究揭示了过采样和优化对于类别增量学习的微妙影响，为特征空间操作在课堂增量学习中的更精细理解做出了贡献。本文的扩展研究为更适应和高效的 EFCIL 方法铺平了道路，承诺在不需要样本的情况下显著改善处理灾难性遗忘。

Mar, 2024

Elastic Feature Consolidation (EFC) 通过对于 feature drift 的正则化，以及使用高度相关的方向和高斯原型来更新重要方向的特征漂移，成功解决了 Exemplar-Free Class Incremental Learning (EFCIL) 在 Cold Start 情景下的挑战，并在学习新任务时保持了模型的可塑性，明显优于最先进方法。

Feb, 2024

类渐进学习是从数据流中构建分类模型的目标。本文通过统计分析框架量化各个因素对增量性能的相对贡献，发现初始训练策略是影响平均增量准确性的主要因素，而 CIL 算法的选择对防止遗忘更为重要。基于此分析，我们提出了选择相应初始训练策略的实际建议，以促进增量学习的实际应用部署。

Aug, 2023

本研究关注在没有保存旧类样本（无样例）的无样例设置下，通过只对新类进行监督，实现在深层特征学习中平衡可塑性和稳定性。通过对不同方法的详细对比及指标衡量，提出了一种简单的无样例设置下的 Class incremental learning 方法，即 Rotation Augmented Distillation (RAD)，其表现接近顶级水平。此外，在更具挑战性的无样例设置下，进行了更多的实证和与现有方法的比较。

Aug, 2023

通过采用解析学习（一种无梯度训练技术）和生成 GCIL 场景的解析解，我们提出了一种无样本的广义解析类增量学习方法（G-ACIL），通过将传入数据分解为暴露和未暴露的类别，实现了增量学习与联合训练之间的等价性（即权重不变性），该等价性通过矩阵分析工具在理论上得到验证，在各种数据集和 GCIL 设置上的实验证明了 G-ACIL 相对于现有竞争 GCIL 方法具有卓越的性能和高鲁棒性。

Mar, 2024

本文提出了一种基于关系指导的表征学习方法，用于解决数据自由的类增量学习（DFCIL）中出现的遗忘问题，并展示了其在三个数据集上实现了新的最优性能。

Mar, 2022

分析型在线课堂增量学习（AOCIL）是一个无需示例的方法，通过递归最小二乘法更新分析分类器（AC）实现高准确性、低资源消耗和数据隐私保护，能够处理 OCIL 情景。

Mar, 2024

创新性地提出了一种非示例的半监督类增量学习框架，通过对比学习和半监督的增量原型分类器，使模型能够逐步从部分标记的新数据中学习，同时保持旧类别的知识。

Mar, 2024