Class-Incremental Learning

深度分析

CPNS 正則化：以因果 PNS 減少 CIL 特徵衝突的新方法

本研究針對類別增量學習的特徵擴張衝突問題，提出以必要性與充分性機率（CPNS）為基礎的正則化方法，透過雙域反事實生成器同時減少任務內與任務間的虛假相關，提升特徵的因果完整性與可分離性。實驗顯示在多項基線上加入CPNS後，準確率提升約2%至3%。