少样本抗噪扩展
通过物理引导的因果干预机制，该模型在合成孔径雷达少样本目标检测中有效解耦散斑噪声，缓解预训练偏差并抑制灾难性遗忘，显著提升新类别泛化能力。
Chongjun, Huang · 袁国慧 · Jiamin, Cai · Yi, Sun · Qian, Jiang · Lei, Yang · 李孝杨 · 王卓然
Knowledge-Based Systems 2026
通过物理引导的因果干预，从语义内容中分离出散斑噪声，消除噪声与检测结果之间的虚假关联，使模型在强噪声环境下仍能学习到稳健特征。
在结构因果模型中进行噪声感知后门调整，削弱预训练模型对基类的偏置，提升新类别的学习能力，减少基类遗忘。
模型所需训练迭代次数和内存占用大幅减少，使得在资源受限的边缘设备上直接进行类别扩展成为可能。
整合知识蒸馏与自适应掩码，在不损失基类性能的前提下，能够直接在边缘设备上完成新类别的增量学习。