跳到正文
arXiv · ML· BoRen Deng, Xiangyue Ma, Chenglong Li, Xiaoting Du·· 2026-10-07AI 评分26

What Must Replay Preserve? Separating Correctable Bias from Class Correspondence 在类增量学习中的诊断框架分析

What Must Replay Preserve? Separating Correctable Bias from Class Correspondence

AI 导读

研究提出诊断框架,将缓存预测视为时间异质监督,分离后续学习类与存储已知类的编辑影响。在 CIFAR-100 上,固定常数替代未刷新的后续类分数,在 1 个百分点等效范围内有效,任务级偏移将删除匹配的成本从 14.9 降至 1.8 点,而破坏类对应关系的成本分别为 4.3 和 4.0 点且持续存在。该框架揭示了可校正偏差与类对应关系的区别,为类增量学习中的重放机制提供新见解。

来源:arXiv · ML · arxiv.org