基于因果推理的长尾类增量学习

来源：计算机技术与发展杂志2025年第02期北京时间：

作者：刘展阳;刘进锋

摘要：针对传统的类增量学习方法只考虑到新任务数据的平衡分布,而忽略了现实世界中数据呈现长尾分布这一问题,提出一种因果推理方法。 该方法旨在增强长尾类增量学习的性能,使模型在长尾数据分布背景下既能够逐步学习新任务的知识,又能够缓解对旧任务知识的灾难性遗忘。 不同于现存的缺少基本理论的启发式方法,该方法通过追求由输入样本引起的直接因果效应,在训练中使用因果干预,在推理中使用反事实推理,以有效改善现存类增量学习模型在长尾分布数据集上的表现。 与当前常用但复杂的两阶段训练方式相比,该方法更加简单有效,既不需要进行额外的微调阶段,也不需要增加额外的网络层,并且能够轻松地整合到绝大多数类增量学习方法中,从而更好地处理长尾类增量学习场景。 在 CIFAR-100 和 ImageNet-Subset 数据集上进行的广泛实验验证了该方法的有效性,显示了它在各种长尾类增量学习设置中相较于之前最佳方法的优越性。

关键词：因果推理;类增量学习;长尾学习;灾难性遗忘;深度学习