论文地址：https://arxiv.org/abs/2008.10968
发表于：ECCV 20 Workshop
Abstract
增量学习(IL)使人工智能系统能够适应流式数据。大多数现有的算法提出了两个强有力的假设，降低了增量方案的现实性：(1)假设新数据在流式传输时很容易被标注；(2)用平衡的数据集进行测试，而大多数现实生活中的数据集是不平衡的。这些假设被摒弃了，由此产生的挑战将通过主动学习和不平衡学习的结合来解决。我们引入了解决不平衡问题并与增量学习约束兼容的样本获取函数。我们还将增量学习视为一个不平衡学习问题，而不是针对灾难性遗忘的知识提炼的既定用法。在这里，不平衡效应在推理过程中通过类别预测的缩放来减少。用四个视觉数据集进行了评估，并比较了现有的和提出的样本获取功能。结果表明，提出的贡献具有积极的作用，并减少了主动和标准增量学习性能之间的差距。
I. Introduction
本文为第一篇将类增量学习与主动学习相结合的工作。当前的类增量学习有两个问题：1)数据标注简单；2)数据集均衡。而在实际应用中，这两个要求并不总是能满足，而主动学习的任务则是挑选出最有价值的样本，适合用于在尽可能保持性能的情况下，减少标注量并解决数据集不均衡问题。因此，可以将主动学习与增量学习相结合。
本文的算法流程如下：
由于本质上是将主动学习加在类增量学习方法上，因此，模型的初始化方式与类增量学习，都是选择部分类(如50%的类)的所有样本进行标注，然后在此基础上进行全监督训练得到一个初始模型(图中的 M 0 M_0 M0)。之后，如果按照标准类增量学习的流程，则是不断选择部分新类(如10%的类)的所有样本，在此基础上进行finetune，并尽可能保持新旧类的性能。不过，既然是主动学习，那么这里则变成了选择部分新类(如10%的类)的部分样本。
而至于这些部分样本的选择，使用的是主动学习的思路。比方说，假设对于该批数据的标注预算为B，则每次选取1/5 B的数据与示例样本(exemplar)一同进行finetune，而非主动学习中常见的retrain。从这一视角出发，也可以认为是类增量学习改善了主动学习中的一个经典困境(需要反复retrain)。
II. Classical Sample Acquisition Phase
本文的主动学习采取了两阶段的策略。在第一阶段，采用一些经典的主动学习方法进行初始化。本文选择了coreset、random、entropy、margin sampling这四种方法(注意这里甚至有random)。而这些方法是没有考虑类别不均衡问题的，而本文的假设是类不均衡，为此，就诞生了第二阶段。
III. Balancing-Driven Sample Acquisition
第二阶段是为了解决类不均衡问题。不过，解决方法也相当原始，即采用经典的oversample策略：哪些类已标注的样本较少，后序就对这些类多标注一些，文中称这一启发式策略为"Poorest Class First"。
IV. Experiment
注意本文的目标是和全监督的类增量比(也就是倒数第二列的sIL)。不过实验结果也是比较一言难尽，与sIL性能差距依旧较大不说，最优的主动学习方法还基本被random所占据，基本等于没做。