通过使用预训练的文本到图像扩散模型生成未来类别的合成图像并使用它们训练特征提取器，我们提出的方法改进了无典范类增量学习的最新方法，特别是在只包含少量类别的最困难的情况下。此外，我们还表明使用未来类别的合成样本比使用不同类别的真实数据能够实现更高的性能，为增量学习的更好和更低成本的预训练方法铺平了道路。

Apr, 2024

介绍一种将固定特征提取器和伪特征生成器相结合的方法，以改善稳定性和可塑性之间的平衡，并在三个具有挑战性的数据集上表现出优异的性能。

Nov, 2022

无先例的课程增量学习中，使用冻结的特征提取器基于欧氏距离生成类原型并进行分类，然而，欧氏距离在非静态数据学习时表现亚优，特征分布异质。为了解决这个挑战，我们重新考虑适用于课程增量学习的各向异性马氏距离，并经验证明建模特征协方差关系要优于从正态分布中采样特征和训练线性分类器的先前方法，且我们的方法在多样本和少样本课程增量学习设置以及域增量学习设置上具有广泛适用性。有趣的是，在不更新主干网络的情况下，我们的方法在多个标准连续学习基准上取得了最先进的结果。

Sep, 2023

该研究针对增量学习设计了一种新方法，使用嵌入网络，以自然方式加入新类别而无需添加新的权重，并且通过估计特征的语义漂移来避免严重遗忘。实验结果表明，该方法表现优异且能显著减少遗忘。

Apr, 2020

通过使用新的损失函数、简单的方法来解决分类失效和利用生成对抗网络来生成历史数据和选择代表性样本，我们解决了增量分类器学习中的灾难性遗忘问题，并在 CIFAR-100、Flower-102 和 MS-Celeb-1M-Base 数据集上进行了验证，证明了我们方法的有效性，并且生成的数据比真实图像具有更少的隐私问题。

Feb, 2018

在自动驾驶领域，我们提出了一种基于分析原则和岭回归的无样本在线继续学习方法，用于解决自动驾驶中的连续学习问题，包括灾难性遗忘和数据不平衡，并通过生成偏移伪特征来处理数据不平衡。实验证明，我们的方法在自动驾驶数据集上表现优于其他方法。

May, 2024

对于神经网络中的灾难性遗忘问题和老新类别不均衡问题，本文提出了一种基于生成式特征回放和特征蒸馏的解决方案，可以不使用明显的旧任务样本，在 CIFAR-100 和 ImageNet 等数据集上实现了最先进的结果，存储空间成本低。

Apr, 2020

该论文提出了一种称为 ConTraCon 的无样本增量学习方法，它利用了 Transformer 架构，通过使用卷积对 Transformer 的多头自注意力层的键、查询和值的权重进行重新加权，从而维护每个任务的低参数需求，并使用基于图像增强的信息熵任务识别方法在推理过程中预测任务，实验结果表明该方法优于竞争方法并需要更少的参数。

Aug, 2023

本文提出了一种利用所有之前学习的特征提取器的融合机制，并加入新的特征提取器和剪枝来防止模型膨胀，以降低早期学习旧知识的遗忘，从而有效改善连续学习性能表现。在多个分类任务上实验表明，该方法可以显著减少旧知识的遗忘，实现最先进的连续学习性能。

Apr, 2021

本文提出了一种新颖的类别增量学习方法，通过引入基于对抗攻击的特征增强技术。通过使用先前学习的分类器来补充训练样本，而不仅仅在后续模型中起到知识蒸馏的教师作用。该方法在类别增量学习中利用以前的知识有独特视角，因为它使用其他类别的示例通过先前学习的分类器上的对抗攻击来增强任意目标类别的特征。该方法可以方便地融入现有的类别增量学习算法，无需进行任何架构修改。在标准基准测试中的广泛实验表明，我们的方法在各种情况下都显著优于现有的类别增量学习方法，特别是在存储示例数量很少的情况下具有极小的存储空间。

Apr, 2023