A Few-Shot Class Incremental Learning Method Using Graph Neural Networks

doi:10.1109/TIP.2026.3657170

A Few-Shot Class Incremental Learning Method Using Graph Neural Networks

2026-01-28

0

PRE

AI

DOI：10.1109/TIP.2026.3657170

原文链接

原文求助

摘要

En 中文

少样本类增量学习（FSCIL）旨在从有限的训练样本中持续学习新类别，同时保留先前获得的知识。现有方法在动态场景下难以充分平衡稳定性和可塑性。为克服此局限，我们引入了一种新颖的FSCIL框架，利用图神经网络（GNNs）来建模不同类别间的相互依赖关系并增强跨模态对齐。我们的框架包含三个关键组件：1）一种图同构网络（GIN）用于传播提示间的上下文关系；2）一种具有能量守恒特性的哈密顿图网络（HGN-EC），通过能量守恒约束来稳定训练动态；3）一种对抗约束图自编码器（ACGA），用于强制执行潜在空间一致性。通过将这些组件与一个参数高效的CLIP骨干网络集成，我们的方法能够动态调整图结构以建模文本和视觉模态间的语义相关性。此外，采用了基于能量的正则化对比学习来缓解灾难性遗忘并提高泛化能力。在基准数据集上的全面实验验证了该框架相比现有最优基线的增量准确率和稳定性。这项工作通过统一基于图的关联推理与受物理学启发的优化，推动了FSCIL的发展，提供了一种可扩展且可解释的框架。代码可在以下地址获取：https://github.com/aries-yqian/ACHG-CLIP

Keyword:

Few-shot class incremental learning

CLIP

graph neural networks

Hamiltonian graph network

graph autoencoder

A Few-Shot Class Incremental Learning Method Using Graph Neural Networks

摘要

期刊

机构