arXiv · 机器人与计算机视觉· Yehonatan Elisha, Oren Barkan, Noam Koenigstein·· 23 天前精选AI 评分82
C3L:通过语义概念引导打破持续学习中的解释漂移循环
Semantic Concept Steering Breaks the Explanation Drift Loop in Continual Learning
AI 导读
该论文指出持续学习中存在‘解释漂移’现象,即模型在保持准确性的同时将注意力转向虚假相关特征。作者提出 C3L 方法,利用离线发现的类一致语义概念(如‘弯曲的喙’)作为正则化锚点,打破自指漂移循环并抑制背景虚假相关性。该方法无需人工标注概念集,采用全自动概念发现与空间定位,在五个基准测试和二十多个基线模型中展现出最先进性能。
推荐理由
针对持续学习中的解释漂移问题,提出基于离线发现语义概念的 C3L 方法,打破自指循环并抑制虚假相关性。
来源:arXiv · 机器人与计算机视觉 · arxiv.org