.png){kind=icon}
返回
CEFCIL: Comprehensive Ensemble Framework for Exemplar-Free Class Incremental Learning
.png){kind=icon}
PRE
AI
DOI：10.26599/BDMA.2025.9020068.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
灾难性遗忘是目前示例无关的级联增量学习（EFCIL）面临的最大挑战，由于用户隐私和设备容量限制等因素，不允许重放先前任务中的旧数据。在本文中，我们提出了一个用于示例无关的级联增量学习的综合集成框架（CEFCIL），该框架包括一个基于马氏距离的集成最近类均值（NCM）分类器，该分类器基于给定数量的多样化基网络，一个由初始化基网络组成的缓存根模型用于根知识蒸馏，一种双知识蒸馏策略，以及一种维度坍缩预防策略。在多样化的实验条件下，CEFCIL在CEFCIL中表现出卓越的性能，并具备稳健的跨域能力。
Keyword:
Measurement
Knowledge engineering
Data privacy
Incremental learning
Federated learning
Prevention and mitigation
Big Data
Anisotropic
Ensemble learning
Image classification
Class Incremental learning (CIL)
ensemble framework
Mahalanobis metric
期刊
IF:
6.2
论文数:
274
被引数:
1.0K
机构
引用论文
暂无论文信息