跨域小样本增量模型

域漂移下不遗忘

专为跨域小样本类增量学习设计的表征学习方法，能同时应对数据稀缺和领域偏移，持续稳定地接纳新类。

Yuan, Jiazheng · 卢红 · 冯松鹤

Neural Networks 2026

技术优势

域变了也不忘

通过解耦语义与域特征并施加跨域一致性约束，模型学习域不变表征，在基础类和新类来自不同域时仍能稳定分类。

新类能插进去

构造结构化表征空间预留容量，新类别可以稳定地增量集成，而无需重新训练整个模型。

域漂移下更准

在提出的CDFSCIL基准和标准FSCIL任务上，FCDI显著优于现有最先进方法。

应用场景

• 跨域持续学习：在域不断变化时持续接纳新类，避免重训与灾难性遗忘。
• 小样本类增量：用极少样本逐类扩展模型，并保持对旧类的判别能力。
• 领域自适应：学到的跨域不变表征可迁移到目标域，减少标注需求。