.png){kind=icon}
返回
Class-Incremental Cloud-Device Collaborative Adaptation With Contrastive Learning in Dynamic Changing Environments
.png){kind=icon}
PRE
AI
DOI：10.1109/tnnls.2026.3657499.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
轻量级模型通常部署在边缘设备（如智能手机和可穿戴设备）上以增强其可扩展性和实用性。为提高其在动态变化环境中的泛化能力，提出了云-设备协同学习（CDCL）方法，旨在将云服务器上大型模型的泛化能力迁移到设备上部署的轻量级模型。然而，当前方法主要关注解决有限已知类别的数据分布偏移问题，而忽略了持续不断出现的新类别。尽管现有的类别增量学习（CIL）方法取得了显著性能，但在CDCL场景下应用时存在两大挑战：1）轻量级模型在CIL过程中的泛化能力较差；2）数据增量学习过程中的过拟合问题。本文探索了一种新问题——类别增量CI-CDCL，并提出了一种基于对比原型网络的CI-CDCL框架，旨在提升云-设备协作在类别增量学习和数据增量学习中的有效性。我们在两个公开数据集上进行了大量实验，实验结果验证了我们提出模型的有效性。
Keyword:
Class-incremental learning (CIL)
cloud-device collaboration
contrastive learning
prototypical network
期刊
IF:
8.9
论文数:
7.6K
被引数:
7.2W
机构
引用论文
.png){kind=icon}
Large Margin Prototypical Network for Few-shot Relation Classification with Fine-grained Features
OAAI
OAAI分享收藏Continual Unsupervised Domain Adaptation for Semantic Segmentation using a Class-Specific Transfer基于类别特定迁移的持续无监督域自适应语义分割
OAAI
OAAI分享收藏
查看更多内容