Apprentissage par incrémentation de classes à faible exemple compatible avec les futures versions

De nouvelles classes apparaissent fréquemment dans notre monde en constante évolution, par exemple de nouveaux utilisateurs dans un système d’authentification, et un modèle d’apprentissage automatique doit être capable de reconnaître ces nouvelles classes sans oublier les anciennes. Ce scénario devient particulièrement complexe lorsque les instances des nouvelles classes sont rares, ce phénomène étant connu sous le nom d’apprentissage incrémental de classes en peu d’exemples (FSCIL, Few-Shot Class-Incremental Learning). Les méthodes actuelles traitent l’apprentissage incrémental de manière rétrospective, en rendant le modèle mis à jour semblable au modèle précédent. À l’inverse, nous proposons d’apprendre de manière prospective, afin de se préparer aux mises à jour futures, et introduisons une méthode appelée ForwArd Compatible Training (FACT) pour le FSCIL. La compatibilité prospective exige que les nouvelles classes futures puissent être facilement intégrées au modèle actuel à partir des données disponibles à l’étape actuelle, et nous cherchons à réaliser cela en réservant un espace d’encodage pour les nouvelles classes à venir. Plus précisément, nous attribuons des prototypes virtuels afin de comprimer l’encodage des classes connues et de préserver de l’espace pour les nouvelles classes. En outre, nous prévoyons les classes nouvelles possibles et anticipons le processus de mise à jour. Ces prototypes virtuels permettent au modèle d’accepter des mises à jour futures, agissant comme des proxies répartis dans l’espace d’encodage pour renforcer le classificateur lors de l’inférence. FACT intègre efficacement les nouvelles classes avec compatibilité prospective tout en résistant à l’oubli des anciennes classes. Des expérimentations étendues valident les performances de pointe de FACT. Le code est disponible à l’adresse suivante : https://github.com/zhoudw-zdw/CVPR22-Fact