パラメトリックニューラル崩壊に基づくスケーラブルなクラス増分学習

この論文は、クラス増分学習における課題、具体的には過学習とカタストロフィック忘却に対処しています。効率的なモデル拡張と特徴ドリフトの緩和を可能にする、パラメトリックニューラル崩壊を利用した新しい方法、SCL-PNCを提案しています。この方法の主な強みは、動的ETF分類器と特徴の一貫性のための知識蒸留にあり、進化するクラス分布を持つ現実世界のシナリオでのパフォーマンスと効率の向上を目指しています。

• •クラス増分学習における過学習とカタストロフィック忘却に対処するためにSCL-PNCを提案。
• •効率的なモデル拡張のためにパラメトリックニューラル崩壊を利用。
• •パフォーマンスと特徴の一貫性を向上させるために、動的ETF分類器と知識蒸留を採用。
• •標準的なベンチマークで有効性と効率性を実証。