arXiv Computer Vision· Mahdiyar Molahasani, Michael Greenspan, Ali Etemad·· 13 小时前AI 评分27
长尾识别与持续学习之间的理论桥梁
A Theoretical Bridge Between Long-Tailed Recognition and Continual Learning
AI 导读
研究从理论和实验上建立了长尾识别（LTR）与持续学习（CL）之间此前未被探索的联系，证明在不平衡因子 IF 下训练会使模型参数进入主导类解的 O(1/√IF) 邻域。
推荐理由模型分析
该工作从理论上把长尾识别与持续学习联系起来，证明不平衡训练会把参数拉向主导类解附近，并据此将长尾目标改写为顺序学习问题，提出用现成持续学习方法依次学习头尾类的CLTR框架。对做长尾分类和CLIP适配的研究者，可据此比较CIFAR-LT、ImageNet-LT等基准上的基线，并注意其结论依赖理论假设与实验设定。
来源：arXiv Computer Vision · arxiv.org