基于特征分布学习的小样本类增量学习

来源：计算机工程与应用杂志2023年第14期北京时间：

作者：姚光乐, 祝钧桃, 周文龙, 张贵宇, 张伟, 张谦

单位：1.人工智能四川省重点实验室，四川 宜宾 643000；2.成都理工大学 计算机与网络安全学院，成都 610059；3.四川轻化工大学 自动化与信息工程学院，四川 宜宾 643000；4.电子科技大学 信息与通信工程学院，成都 611731；5.电子信息控制重点实验室，成都 610036

摘要：关注了一个非常具有挑战性的问题：深度神经网络的小样本类增量学习。其中深度神经网络模型可以从少量的样本中逐步学习新知识，同时不会忘记已学习的旧知识。为了平衡模型对旧知识的记忆和对新知识的学习，提出了一个基于特征分布学习的小样本类增量学习方法。在基类上学习模型以获得一个性能良好的特征提取器，并使用每类的特征分布信息来表示知识。将已学习的知识与新类的特征一起映射到一个新的低维子空间中，以统一地回顾旧知识与学习新知识。在子空间内，还为每个新类生成了分类权值初始化，以提高模型对新类的适应性。大量实验表明，该方法可以有效地减轻模型对已学习知识的遗忘，同时提高模型对新知识的适应性。

关键词：小样本类增量学习,深度神经网络,增量学习