Il pascolo uniforme migliora l'accuratezza dell'apprendimento incrementale per classi

Un recente preprint su arXiv (2608.13061) presenta Uniform Herding, una nuova tecnica per l'apprendimento incrementale per classi che affronta il problema di mantenere le classi più vecchie in mezzo a rappresentazioni delle caratteristiche in evoluzione. Questo metodo impiega un insieme attivo limitato di esemplari per le classi osservate e utilizza un pool di candidati vincolato per aggiornare gli esemplari nella rappresentazione corrente. Nei test condotti su CIFAR-100 coinvolgendo dieci compiti incrementali per classi, Uniform Herding, con una struttura ResNet-18, un budget attivo di 2.000 esemplari, un budget di recupero di 64 e tre semi, ha raggiunto un'accuratezza media del 44,00% ± 0,51% e un tasso di dimenticanza del 17,22% ± 0,43%. Al contrario, iCaRL ha registrato un'accuratezza del 42,33% ± 1,20% e una misura di dimenticanza del 24,87% ± 1,11%. La ricerca ha indicato che la sostituzione di NME o herding all'interno del framework Uniform Herding ha portato a una diminuzione dell'accuratezza finale, mentre la rimozione della distillazione ha comportato un aumento della dimenticanza. La regolazione del budget di recupero ha avuto un impatto minore rispetto alla modifica del budget attivo. Questo articolo è stato annunciato come una nuova sottomissione su arXiv.