使用特定领域专家和原型分类器进行领域增量音频分类

本技术报告介绍了 DCASE 2026 挑战赛任务 7（域增量音频分类）的提交系统。主要障碍是，系统无法立即访问过去或未来域的数据。我们将领域增量学习（DIL）视为冻结特征重放问题。在每个增量阶段，培训一到两名紧凑型专家，然后保持固定；在最后阶段，来自所有冻结专家的倒数第二个特征被连接起来，并用于仅根据缓存特征训练轻量级每类原型分类器。这种设计通过在推理时保留每个专家模型来防止灾难性遗忘。为了保留早期领域的知识而不存储原始音频，一些专家接受了基于 DeepInversion 的生成重放的培训。训练跨阶段回归输入器来填充早期阶段尚不存在的专家特征槽。我们提交了四个完全符合 DIL 的系统：三个系统基于不同的冻结的五位专家骨干及其跨堆栈集成，在开发集上实现了 78.15% 微观/77.03% 宏观，在两项评估中均优于每个单独的骨干。