Classificatore Consapevole della Topologia per Apprendimento Incrementale delle Classi
Viene proposto un nuovo classificatore chiamato Hierarchical-Cluster SOINN (HC-SOINN) per affrontare le limitazioni del classificatore Nearest Class Mean (NCM) nell'Apprendimento Incrementale delle Classi (CIL). NCM presuppone che le caratteristiche collassino in singoli punti, ma la deriva non lineare delle caratteristiche e un addestramento insufficiente causano la formazione di varietà complesse da parte delle classi. HC-SOINN cattura la struttura topologica attraverso una rappresentazione dal locale al globale. Inoltre, il metodo Structure-Topology Alignment via Residuals (STAR) utilizza il tracciamento fine delle traiettorie punto per punto per deformare la topologia appresa, adattandosi a caratteristiche non lineari complesse. L'articolo è disponibile su arXiv.
Fatti principali
- 1. arXiv:2605.11904v1
- 2. Il classificatore Nearest Class Mean (NCM) è utilizzato nell'Apprendimento Incrementale delle Classi (CIL)
- 3. NCM è resistente all'oblio catastrofico
- 4. La teoria del Neural Collapse (NC) supporta l'ottimalità di NCM
- 5. La deriva non lineare delle caratteristiche e un addestramento insufficiente impediscono lo stato NC ideale
- 6. Le classi si manifestano come varietà complesse in CIL
- 7. HC-SOINN cattura la struttura topologica delle varietà
- 8. Il metodo STAR impiega il tracciamento delle traiettorie punto per punto
Entità
Istituzioni
- arXiv