后到的概念也能用上已丢弃的旧图像:RetroCBM 只存统计量,平均增量精度相对最强免样本基线提升 18.1%
免样本类增量学习要求模型按顺序学新类、且不留旧训练图像,而概念瓶颈模型在概念词表扩张时,往往无法让新概念参与旧类预测。RetroCBM 在丢弃图像前保存冻结视觉特征与视觉语言模型嵌入之间的少量统计量,新概念到来后用这些统计量复原“在迄今所有图像上做类平衡岭回归”的同一预测器,并把统计量重投影回扩张后的概念空间以重估旧类权重。在六个数据集的 16 个设置上,它的平均增量精度均高于可解释方法,相对最强免样本基线 CI-CBM 的平均增量精度提升 18.1%。