ترجمه فارسی مقاله بهره برداری از توزیع نمونه اولیه ریز دانه برای تقویت یادگیری افزایشی کلاس بدون نظارت

چکیده

The dynamic nature of open-world scenarios has attracted more attention to class incremental learning (CIL). However, existing CIL methods typically presume the availability of complete ground-truth labels throughout the training process, an assumption rarely met in practical applications. Consequently, this paper explores a more challenging problem of unsupervised class incremental learning (UCIL). The essence of addressing this problem lies in effectively capturing comprehensive feature representations and discovering unknown novel classes. To achieve this, we first model the knowledge of class distribution by exploiting fine-grained prototypes. Subsequently, a granularity alignment technique is introduced to enhance the unsupervised class discovery. Additionally, we proposed a strategy to minimize overlap between novel and existing classes, thereby preserving historical knowledge and mitigating the phenomenon of catastrophic forgetting. Extensive experiments on the five datasets demonstrate that our approach significantly outperforms current state-of-the-art methods, indicating the effectiveness of the proposed method.

چکیده به فارسی (ترجمه ماشینی)

ماهیت پویا سناریوهای دنیای آزاد توجه بیشتری به یادگیری افزایشی کلاس (CIL) جلب کرده است.با این حال ، روش های CIL موجود به طور معمول در دسترس بودن برچسب های کامل حقیقت زمین در طول فرآیند آموزش ، فرضیه ای که بندرت در کاربردهای عملی انجام می شود ، فرض می کنند.در نتیجه ، این مقاله به بررسی یک مشکل چالش برانگیز تر از یادگیری افزایشی کلاس بدون نظارت (UCIL) می پردازد.جوهر پرداختن به این مشکل در ضبط مؤثر نمایش های جامع ویژگی و کشف کلاسهای جدید ناشناخته است.برای دستیابی به این هدف ، ما ابتدا دانش توزیع کلاس را با بهره برداری از نمونه های اولیه دانه ای مدل می کنیم.پس از آن ، یک تکنیک تراز گرانول برای تقویت کشف کلاس بدون نظارت معرفی شده است.علاوه بر این ، ما یک استراتژی برای به حداقل رساندن همپوشانی بین طبقات جدید و موجود ارائه دادیم ، در نتیجه حفظ دانش تاریخی و کاهش پدیده فراموشی فاجعه بار.آزمایش های گسترده در مورد پنج مجموعه داده نشان می دهد که رویکرد ما به طور قابل توجهی از روشهای پیشرفته فعلی بهتر عمل می کند ، و این نشانگر اثربخشی روش پیشنهادی است.