基于参数化神经崩溃的可扩展类增量学习

Research Paper#Class-Incremental Learning, Neural Collapse, Knowledge Distillation🔬 Research|分析: 2026年1月4日 00:00•
发布: 2025年12月26日 03:34
•
1分で読める
•ArXiv

分析

本文解决了类增量学习的挑战，特别是过拟合和灾难性遗忘。它提出了一种新方法SCL-PNC，该方法使用参数化神经崩溃来实现高效的模型扩展并减轻特征漂移。该方法的主要优势在于其动态ETF分类器和用于特征一致性的知识蒸馏，旨在提高在具有不断变化的类分布的现实世界场景中的性能和效率。
引用 / 来源
查看原文
"SCL-PNC induces the convergence of the incremental expansion model through a structured combination of the expandable backbone, adapt-layer, and the parametric ETF classifier."
A
ArXiv2025年12月26日 03:34
* 根据版权法第32条进行合法引用。
较旧

Statistical and Machine Learning Analysis of Traffic Accidents on US 158 in Currituck County: A Comparison with HSM Predictions

较新

A Statistical Side-Channel Risk Model for Timing Variability in Lattice-Based Post-Quantum Cryptography

相关分析

Research Paper

SpaceTimePilot：时空控制的生成视频渲染

2026年1月3日 06:10

Research Paper

量子混沌哈密顿量演化下的随机性生成

2026年1月3日 06:10

Research Paper

GaMO：几何感知扩散用于稀疏视角3D重建

2026年1月3日 06:32

来源: ArXiv