热点事件持续更新
研究人员提出用于少样本类别增量学习的SBP框架并开源
1 篇报道1 个报道来源3 小时前更新
先了解这件事
AI 综述
2026年10月6日，研究人员在 arXiv 发布论文，提出面向少样本类别增量学习的高效框架 Selective Backpropagation（SBP）。该框架通过将梯度更新限制在预分配的参数子集上，兼顾了快速适应能力与防止灾难性遗忘。SBP 无需进行高成本的掩码优化，其训练时间接近朴素微调，并显著低于既有的 SOTA 方法。在跨领域场景以及长达 80 个会话的 ImageNet-1K 数据流测试中，SBP 均能在保持较低训练成本的同时展现出优异性能。目前该项目的代码已对外开源。
AI 根据报道生成 · 2 小时前更新
最新进展10月6日 12:00
研究团队提出 SBP 框架以低训练成本实现少样本增量学习，相关代码已开源。报道时间线
沿着报道，了解事件的不同侧面。
10月6日
- arXiv 机器学习面向高效少样本类别增量学习的选择性反向传播 SBP
研究人员提出面向少样本类别增量学习的框架 Selective Backpropagation（SBP），将梯度更新限制在预分配参数子集以兼顾快速适应与防遗忘。该方法无需高成本掩码优化，训练时间接近朴素微调并显著低于既有 SOTA 方法。在跨领域场景及 80 会话的 ImageNet-1K 数据流中，SBP 均保持低训练成本与优异性能，代码已开源。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。