CIFNet: Quadro Analitico per l'Apprendimento Incrementale per Classi

I ricercatori hanno introdotto CIFNet, un framework di apprendimento neurale progettato per l'Apprendimento Incrementale per Classi (CIL) che sostituisce l'ottimizzazione iterativa basata sul gradiente con adattamenti deterministici a forma chiusa per i classificatori. Utilizzando rappresentazioni pre-addestrate congelate, CIFNet modifica i pesi del classificatore attraverso il Regularised Recursive Least-Squares (RRLS), che funge da metodo esatto di regressione ridge in uno spazio di embedding stabile. Questo approccio elimina la necessità di backpropagation e convergenza iterativa, riducendo così i requisiti computazionali e la sensibilità agli iperparametri. Per mitigare il bias di inizializzazione strutturale causato da nuovi neuroni di output privi di evidenze dalle classi precedenti, CIFNet presenta un buffer di calibrazione leggero nello spazio latente con modifiche sensibili alla densità. Il framework è descritto in arXiv:2509.11285.