自由流入のインクリメントによる、より現実的なクラス・インクリメンタル学習に向けて
arXiv cs.LG / 2026/4/6
💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- クラス・インクリメンタル学習（CIL）はしばしば、固定で等サイズのタスク割り当てを用いて検証されるが、本論文は、それでは各ステップで新たなクラスが到着する数が変動する、より現実的な状況を見落としていると主張する。
- 著者らは、未見クラスが非常にばらつきのある件数でストリーミングとして流入してくる、形式化された設定として Free-Flow Class-Incremental Learning（FFCIL）を導入し、多くの既存のCIL手法が脆くなり性能が低下することを示す。
- 著者らは、クラスごとの平均（CWM）目的関数を含む、モデル非依存で頑健性を重視した枠組みを提案する。これは、サンプル頻度に基づく重み付けではなく、クラス条件付きの教師信号を一様に集約することで学習を安定化させる。
- さらに、手法ごとの改善として、蒸留（distillation）をリプレイされたデータに制約すること、コントラスト学習および知識伝達損失のスケールを正規化すること、そして不安定な統計により過剰に調整してしまうことを避けるための Dynamic Intervention Weight Alignment（DIWA）の追加が挙げられる。
- 実験結果では、新しい自由流入の到着設定の下で、提案戦略が複数のCILベースラインに対して一貫した改善をもたらすことが確認されたと報告されている。
