摘要
少样本类增量学习（Few-shot Class-Incremental Learning, FSCIL）是一个极具挑战性的问题，因为在新学习阶段中，每个新类别的训练样本数量极为有限。对主干网络进行微调或调整先前阶段训练得到的分类器原型，不可避免地会导致旧类别特征与分类器之间的对齐关系被破坏，这正是广为人知的灾难性遗忘问题的根本原因。本文受近期发现的“神经坍缩”（Neural Collapse）现象的启发，提出了一种应对FSCIL中特征-分类器错位困境的新方法。神经坍缩现象表明：同一类别的最后一层特征会坍缩至一个顶点，而所有类别的顶点与分类器原型之间形成等角紧框架（Simplex Equiangular Tight Frame, ETF），构成一个最优的几何结构，该结构可最大化Fisher判别比，从而提升分类性能。我们提出一种受神经坍缩启发的FSCIL框架。该框架预先为整个标签空间（包括基础阶段和所有增量阶段）配置一组分类器原型，使其构成一个ETF结构。在训练过程中，分类器原型固定不可学习，我们引入一种新颖的损失函数，驱动特征向量向其对应的原型靠拢。理论分析表明，所提方法能够保持神经坍缩的最优性，并在增量学习过程中维持特征与分类器之间的对齐关系，避免破坏已有知识。在miniImageNet、CUB-200和CIFAR-100数据集上的实验结果表明，所提出的框架显著优于现有最先进方法。相关代码将公开发布。