HyPro：无样本回放的类别增量学习与双曲原型路由

类别增量学习（CIL）旨在不断学习新类别，同时保留先前的知识。使用预训练模型进行参数高效微调，使 CIL 能够进行最少的参数更新，但现有方法仍然遭受累积干扰和推理时模块样本匹配次优导致的灾难性遗忘。我们提出了双曲原型路由（HyPro），这是一种无需回放旧样本的持续学习框架。 HyPro 为每个增量任务分配一个专用的 LoRA-Expert 模块，以进行隔离表示学习，然后将路由特征投影到庞加莱球上，并执行测地线最近原型匹配，以实现可靠的任务级别区分。对标准 CIL 和 Few-Shot CIL 基准的大量实验表明，HyPro 持续提高了强基线的平均和最终阶段精度。