基于连续学习的增量分类方法研究综述.docVIP

基于连续学习的增量分类方法研究综述

一、连续学习增量分类的核心问题定义

增量分类任务的本质是在模型部署后，持续接收新类别的数据样本，在不访问或仅访问少量旧类别数据的前提下，实现对新旧类别的统一识别能力，同时避免灾难性遗忘现象。与传统静态分类设定不同，增量分类面临三大核心矛盾：一是数据分布的非平稳性，新增类别往往与旧类别存在语义重叠或特征偏移，模型需要同时学习新类特征和保留旧类知识；二是存储资源的约束性，实际场景中无法留存所有历史训练数据，需要在有限的内存预算下维持模型性能；三是计算效率的平衡性，增量训练过程不能重复全量数据迭代，否则会随类别数量增长出现计算量指数级上升。

灾难性遗忘作为增量分类的核心挑战，其内在机理可从特征空间和参数空间两个维度解释。在特征空间层面，新类别样本的特征分布会挤压旧类别已学习到的特征边界，导致决策面发生偏移，原本可被正确分类的旧类样本被划分到错误区域；在参数空间层面，反向传播过程中为拟合新类别数据的梯度更新会覆盖针对旧类别优化的参数权重，尤其是全连接层的分类头参数和骨干网络的高层语义特征提取参数，对新旧类别冲突的敏感度远高于底层纹理特征参数。现有研究将增量分类任务根据数据访问权限进一步划分为三类：封闭集增量分类，即测试样本仅来自已见过的所有类别；开放集增量分类，测试样本可能包含未见过的未知类别，需要额外的拒识能力；部分域增量分类，新增类别仅属于特定子领域