Generalized continual category discovery based on dataset and task biases
Zhong Ji, Shuo Yang, Jingren Liu, Yanwei Pang, Xuelong Li · Scientia Sinica Informationis · 2025
随着人工智能技术的迅猛发展，模型在动态数据流中持续学习新知识并高效识别未知类别的能力变得尤为重要。针对广义持续类别发现（Generalized Continual Category Discovery, GCCD）中灾难性遗忘和类别不确定性这两大核心挑战，本文提出了一种基于数据集偏置强化搜寻和任务偏置纠正的PromptGCCD框架。该框架创造性地利用自监督模型中蕴含的数据集偏置，基于信息瓶颈理论设计了对视觉转换器（Vision Transformer, ViT）模型部分参数的精细化微调方案，增强了模型对不同数据集特征分布的适应性和泛化能力。此外，通过提示工程方法实现了任务偏置纠正，为每个任务定制独立的提示子集，并进行参数高效微调，显著提升了模型的抗遗忘性能。在训练过程中，引入了稀疏性正则化、自蒸馏策略以及基于梯度投影的正则化方法，全面提升了模型的知识保持与任务适应能力。实验结果表明，PromptGCCD在多个GCCD基准数据集上取得了优异的性能，有效遏制了灾难性遗忘，并在动态任务序列中显著提升了新类别的发现与识别效能。本文的研究深化了广义类别发现与持续学习领域的交叉融合，为构建在动态环境中具备持续学习与新类别发现能力的智能系统提供了新的思路。