تظهر فئات جديدة باستمرار في عالمنا الديناميكي، مثل المستخدمين الجدد في نظام المصادقة، ويجب أن تكون نماذج التعلم الآلي قادرة على تمييز الفئات الجديدة دون نسيان الفئات القديمة. تصبح هذه الحالة أكثر تعقيدًا عندما تكون أمثلة الفئات الجديدة محدودة، وهو ما يُعرف بتعلم الفئات التصاعدي القائم على عدد قليل من الأمثلة (FSCIL). تتعامل الطرق الحالية مع التعلم التصاعدي بشكل رجعي من خلال جعل النموذج المحدث مشابهًا للنموذج القديم. على النقيض من ذلك، نقترح التعلم بشكل استباقي للاستعداد للتحديثات المستقبلية، ونُقدِّم تقنية تدريب متوافقة مع المستقبل (FACT) للتعامل مع FSCIL. تتطلب التوافقية المستقبلية إمكانية دمج الفئات الجديدة بسهولة في النموذج الحالي بناءً على بيانات المرحلة الحالية، ونحاول تحقيق ذلك من خلال احتفاظ مساحة التضمين للفئات الجديدة المستقبلية. وبتفصيل، نُعيّن بروتوكولات افتراضية لتقليل تضمين الفئات المعروفة واحتياط مساحة لها للفئات الجديدة. علاوةً على ذلك، نُقدّر الفئات الجديدة المحتملة ونُعدّ للعملية التحديثية. تُمكّن هذه البروتوكولات الافتراضية النموذج من قبول تحديثات محتملة في المستقبل، حيث تعمل كنماذج بديلة موزعة داخل مساحة التضمين لبناء فاصل تصنيف أقوى أثناء الاستنتاج. تُدمج FACT الفئات الجديدة بكفاءة مع التوافقية المستقبلية، وفي الوقت نفسه تقاوم نسيان الفئات القديمة. وقد أكدت التجارب الواسعة أداءً متميزًا لـ FACT على مستوى الحد الأقصى من الأداء. يُمكن الوصول إلى الكود من خلال: https://github.com/zhoudw-zdw/CVPR22-Fact