基于参数化神经崩溃的可扩展类增量学习

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。

• •提出SCL-PNC以解决类增量学习中的过拟合和灾难性遗忘问题。
• •利用参数化神经崩溃实现高效的模型扩展。
• •采用动态ETF分类器和知识蒸馏以提高性能和特征一致性。
• •在标准基准上展示了有效性和效率。