Knowledge-aware replay for multi-label class-incremental learning

Chengtai Cao

doi:10.1016/j.eswa.2026.133167

Knowledge-aware replay for multi-label class-incremental learning

2026-09-29

0

PRE

AI

DOI：10.1016/j.eswa.2026.133167

原文链接

原文求助

摘要

En 中文

多标签类增量学习（MLCIL）旨在适应不断变化的类别并缓解灾难性遗忘。重放范式通过在缓冲区中存储和重访样本，是当前先进MLCIL中广泛采用的一种策略。然而，其有效性受到标签缺失问题的严重限制：实例标注仅限于其原始任务类别，忽略了潜在的共现概念。这导致两个关键缺陷：（i）标注不完整的样本将正确的预测误判为假阴性；（ii）从单标签设置继承的样本选择策略构建了有偏的缓冲区，忽略了多标签共现模式。为解决这些挑战，我们提出了知识感知重放（KAR），在标签缺失约束下调和重放范式与MLCIL。KAR包含两个核心组件。首先，双向知识转移（BKT）对新数据和重放样本进行伪标注以恢复缺失标签，从而校正监督信号并减少假阴性。其次，知识感知选择（KIS）通过联合优化代表性和信息量构建内存高效的缓冲区。该策略捕捉演变中的类别分布，并优先选择语义桥接实例以提高每个样本的标签密度。大量实验表明，KAR始终优于现有的MLCIL基准，并展现出广泛的适用性。代码地址：https://github.com/ChengtaiCao/KAR。

Keyword:

Class-incremental learning

Multi-label learning

Continual learning

Lifelong learning

Image recognition

Knowledge-aware replay for multi-label class-incremental learning

摘要

期刊

机构

引用论文