类感知提示网络

少样本不遗忘

一种用于联邦少样本类增量学习的提示网络，通过类级提示池与信息融合模块，在保护隐私的同时增强类别表示与泛化能力。

Fang-Yi, Liang · Zhan, Yuwei · Jiale, Liu · Chong-Yu, Zhang · Chen, Zhenduo · 罗昕 · 许信顺

IEEE Transactions on Circuits and Systems for Video Technology 2025

技术优势

通信开销极低

训练时仅需传输极少量参数，从而大幅降低联邦聚合的通信量。

全局视角统一

共享的类级键让所有客户端利用全局类别信息，统一对基类特征的理解，提高模型一致性。

首个探索者

作为首个研究联邦少样本类增量学习的工作，其全面的实验设计为后续研究提供了基准。

应用场景

• 隐私保护模型更新：在不上传原始数据的情况下更新模型参数，保护用户隐私。
• 资源受限设备学习：极少的参数传输和本地适配使之适合在边缘设备上资源受限的场景部署。
• 边缘计算芯片：该框架可集成到边缘计算平台中，支持芯片进行在线类增量学习。
• 分布式脑机接口：在分布式脑机接口节点上，能以极低的通信开销持续学习新用户数据，同时保护神经数据隐私。