GR4CIL：基于 CLIP 的类增量学习的间隙补偿路由

类别增量学习（CIL）旨在不断获取新类别，同时保留以前学到的知识。最近，对比语言-图像预训练（CLIP）模型由于其强大的泛化能力而在 CIL 方面显示出强大的潜力。然而，现有方法仍然面临两个关键挑战：共享参数适应往往会导致旧知识漂移，特定于任务的知识组织通常会导致跨任务响应校准不佳，从而使可靠路由变得困难。为了解决这些问题，我们提出了 GR4CIL，一个结合了基于 CLIP 的 CIL 的任务区分和知识路由的框架。 GR4CIL 保留特定于任务的视觉知识，同时维护增量稳定的共享文本语义空间，从而减少任务之间的干扰。此外，我们引入了一种正交补偿机制，以减轻模态差距引起的偏差，增强任务内歧视，并扩大 真值 任务和竞争任务之间的分数差距。因此，GR4CIL 通过学习的知识实现更可靠的任务感知路由，同时保留零样本泛化能力。多个基准测试的实验表明，GR4CIL 始终优于强基准。