《Bamboo：一种具有等角紧框架原型的会话感知框架，用于少样本类增量学习》

《IEEE Transactions on Neural Networks and Learning Systems》：Bamboo: A Novel Session-Aware Framework With Equiangular Tight Frame Prototypes for Few-Shot Class-Incremental Learning

　　Bamboo框架通过级联推理机制和ETF-P分类器解决少样本增量学习中的会话ID推断难题，采用竹节式增量结构逐步添加会话特定分类器，实现无先验知识下精准分类，在多个基准数据集上达到最优性能。

　　

摘要：

与少量样本的任务增量学习（FSTIL）相比，少量样本的类别增量学习（FSCIL）面临更大的挑战，因为需要在不知道会话标识符（session-ID）的情况下对所有先前的类别进行分类。为了解决这个问题，我们提出了Bamboo框架，该框架为FSCIL引入了一种级联推理机制，用于显式推断每个样本的会话ID。这种机制通过一种新颖的、特定于会话的等角紧框架原型（ETF-P）分类器来实现。通过自适应地融合与会话无关和与会话相关的语义信息，ETF-P分类器能够可靠地判断一个样本是否属于其对应的会话，这是级联过程中每一步都需要做出的核心决策。考虑到学习过程的增量特性（类似于竹子的持续生长），我们将基础会话分类器视为“竹子”的根节点，并逐步在上方添加新的会话分类器作为额外的节点。在测试阶段，每个样本依次从上到下通过这些“竹子节点”，以确定其会话ID并据此进行分类。总体而言，Bamboo框架能够在不知道会话ID的情况下识别会话ID，并将每个样本正确地分类到相应的会话中，在多个基准数据集上取得了领先的性能。