arXiv cs.LG·27 天前★ 3

选择性反向传播提升小样本类增量学习效率

原文标题：Selective Backpropagation for Efficient Few-Shot Class-Incremental Learning

重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。

AI 智能摘要

针对小样本类增量学习（FSCIL）中稳定性、可塑性与算力的权衡，论文提出选择性反向传播（SBP），将梯度更新限制在预分配参数子集上，冻结旧知识并保留未来学习容量。SBP 在标准基准上性能强劲且训练时间接近朴素微调，并在跨域与 80 轮 ImageNet-1K 长流场景中保持优势。

论文速读 · 四段结构cs.LG去论文速读 →

深读 · 结论先行AI 生成展开看要点与影响 ↓

选择性反向传播把梯度限制在预分配参数子集，训练时间接近朴素微调并保持FSCIL性能。

为什么重要：对小样本类增量学习的算力-稳定性-可塑性三角权衡给出更省算力的解，同时提醒现有基准可能高估方法在真实长程场景下的表现。

以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。

AI 处理过程展开/收起

原始标题：Selective Backpropagation for Efficient Few-Shot Class-Incremental Learning

AI 中文标题：选择性反向传播提升小样本类增量学习效率

来源：arXiv cs.LG · 发布于 27 天前

分类：学术研究 · AI 重要度：★ 3（3）

标签：类增量学习 / 小样本学习 / 灾难性遗忘 / 参数预算

关键词：class-incremental learning / few-shot / catastrophic forgetting / backpropagation

AI 生成以上内容由 AI 自动生成：中文标题、摘要、分类与重要度；同一事件的多家报道会自动归并展示。内容仅供参考，可能存在偏差，请以原文为准，不构成任何投资或专业建议。
版权归原作者与原发布平台所有；若涉及侵权或信息错误，请在举报与侵权投诉页反馈，我们会及时处理。

相关推荐