类别增量学习中重放保留偏差与类对应研究
Get the story
2026年10月7日，arXiv Machine Learning Theory（一手）发表论文《增量学习中回放应保留什么：区分可纠正偏差与类别对应》。论文提出诊断框架，把缓存预测视为时间异质监督，区分样本存储时已知类别与之后学习类别，并在任务级偏移前后评估模型。在 CIFAR-100 上结合 DER++，合适常数可在 1 个百分点等价范围内替代后学类别的未刷新分数，删除其匹配的代价经偏移从 14.9 降至 1.8 个百分点；重排存储时已知类别的非 gold 分数代价为 4.3 与 4.0 个百分点，图像蒸馏中同样存在。
Generated from reports · updated 3 hr ago
Timeline
Follow the coverage from different angles.
- arXiv · Machine Learning Theory增量学习中回放应保留什么：区分可纠正偏差与类别对应
论文提出诊断框架，把缓存预测视为时间异质监督，区分样本存储时已知类别与之后学习类别，并在任务级偏移前后评估模型。在 CIFAR-100 上结合 DER++，合适常数可在 1 个百分点等价范围内替代后学类别的未刷新分数，删除其匹配的代价经偏移从 14.9 降至 1.8 个百分点；重排存储时已知类别的非 gold 分数代价为 4.3 与 4.0 个百分点，图像蒸馏中同样存在。
Heat trend
Current heat 9·Comparable peak 10（Oct 7）·Comparable change over 24 hours –
The trend compares only the same participants observed continuously; its range may be smaller than the current heat count. Move or click on the chart to inspect hourly heat; use the left and right arrow keys to switch.