Apprentissage par Classe Incrémentale : Un Sondage

Les modèles profonds, par ex., CNN et Vision Transformers, ont réalisé des accomplissements impressionnants dans de nombreuses tâches de vision dans un monde fermé. Cependant, de nouvelles classes émergent de temps à autre dans notre monde en constante évolution, nécessitant qu'un système d'apprentissage acquière continuellement de nouvelles connaissances. L'apprentissage par Classe Incrémentale (CIL) permet à l'apprenant d'incorporer la connaissance de nouvelles classes de manière incrémentale et de construire un classificateur universel parmi toutes les classes vues. En conséquence, lorsque le modèle est directement entraîné avec de nouvelles instances de classe, un problème fatal survient : le modèle a tendance à oublier de manière catastrophique les caractéristiques des anciennes, et ses performances se dégradent considérablement. De nombreux efforts ont été réalisés pour s'attaquer à l'oubli catastrophique dans la communauté de l'apprentissage automatique. Dans cet article, nous faisons un examen complet des avancées récentes en matière d'apprentissage par classe incrémentale et résumons ces méthodes selon plusieurs aspects. Nous fournissons également une évaluation rigoureuse et unifiée de 17 méthodes dans des tâches de classification d'images de référence afin de découvrir empiriquement les caractéristiques des différents algorithmes. De plus, nous constatons que le protocole de comparaison actuel ignore l'influence du budget mémoire dans le stockage du modèle, ce qui peut entraîner des comparaisons injustes et des résultats biaisés. Par conséquent, nous plaidons pour une comparaison équitable en alignant le budget mémoire dans l'évaluation, ainsi que plusieurs mesures de performance non liées à la mémoire. Le code source est disponible à https://github.com/zhoudw-zdw/CILSurvey/.