Apprentissage incrémental de classes sans exemplaires via des classifieurs uniques discriminants et comparables

L'apprentissage incrémentiel de classes sans exemples (exemplar-free class incremental learning) nécessite que les modèles de classification apprennent de nouvelles connaissances de classe de manière incrémentielle sans conserver aucun échantillon ancien. Récemment, le cadre basé sur des classifieurs à une classe parallèles (POC, Parallel One-Class Classifiers), qui entraîne un classifieur à une classe (OCC, One-Class Classifier) indépendamment pour chaque catégorie, a attiré une attention considérable, car il peut naturellement éviter l'oubli catastrophique. Cependant, le POC souffre d'une faible capacité discriminante et comparative en raison de sa stratégie d'entraînement indépendant pour différents OCC.Pour relever ce défi, nous proposons un nouveau cadre nommé DisCOIL (Discriminative and Comparable One-class classifiers for Incremental Learning), qui suit le principe fondamental du POC mais utilise des auto-encodeurs variationnels (VAE) au lieu d'autres classifieurs à une classe bien établis (par exemple, deep SVDD). Un VAE formé peut non seulement identifier la probabilité qu'un échantillon d'entrée appartienne à une classe, mais aussi générer des échantillons pseudo de cette classe pour aider à l'apprentissage de nouvelles tâches. Grâce à cet avantage, DisCOIL entraîne un VAE pour la nouvelle classe en contraste avec les VAE des anciennes classes, ce qui oblige le VAE de la nouvelle classe à reconstruire mieux les échantillons de la nouvelle classe et moins bien les échantillons pseudo des anciennes classes, améliorant ainsi la comparabilité. De plus, DisCOIL introduit une perte de reconstruction hingée pour garantir la capacité discriminante.Nous avons évalué notre méthode de manière exhaustive sur MNIST, CIFAR10 et Tiny-ImageNet. Les résultats expérimentaux montrent que DisCOIL atteint des performances d'état de l'art.