双曲原型路由用于无重放类增量学习
Hyperbolic Prototype Routing for Rehearsal-Free Class-Incremental Learning
- Beihang University（北京航空航天大学）
- Beijing University of Posts and Telecommunications（北京邮电大学）
机构由 AI 辅助整理，请以论文原文为准。
AI总结：
针对类增量学习中的灾难性遗忘问题，提出双曲原型路由框架，通过为每个任务分配LoRA专家并在庞加莱球上进行测地原型匹配，实现无重放的高效学习，在标准及少样本基准上显著提升准确率。
AI中文摘要：
类增量学习（CIL）旨在持续学习新类别，同时保留先验知识。基于预训练模型的参数高效微调能以极少的参数更新实现CIL，但现有方法仍遭受灾难性遗忘，其原因在于累积干扰和推理时模块-样本匹配次优。我们提出双曲原型路由（HyPro），一种用于持续学习的无重放框架。HyPro为每个增量任务分配专用LoRA专家模块，以实现隔离的表示学习，然后将路由特征投影到庞加莱球上，并执行测地最近原型匹配以实现可靠的任务级判别。在标准CIL和少样本CIL基准上的大量实验表明，HyPro在平均准确率和最终阶段准确率上持续优于强基线。
英文摘要：
Class-Incremental Learning (CIL) aims to continually learn new classes while preserving prior knowledge. Parameter-efficient fine-tuning with pre-trained models enables CIL with minimal parameter updates, but existing approaches still suffer from catastrophic forgetting caused by cumulative interference and suboptimal module-sample matching at inference. We propose Hyperbolic Prototype Routing (HyPro), a rehearsal-free framework for continual learning. HyPro allocates a dedicated LoRA-Expert module to each incremental task for isolated representation learning, then projects routing features onto a Poincare ball and performs geodesic nearest-prototype matching for reliable task-level discrimination. Extensive experiments on standard CIL and Few-Shot CIL benchmarks show that HyPro consistently improves average and final-stage accuracy over strong baselines.
