# Causally Sufficient and Necessary Feature Expansion for Class-Incremental Learning

### 저자

Zhen Zhang, Jielei Chu, Jiangtao Hu, Bin Liu, Jie Wang, Ya Liu, Tianrui Li

### 💡 개요

기존의 확장 기반 클래스 점진 학습(CIL) 방법은 오래된 특징을 고정하여 치명적인 망각을 완화하지만, 새로운 작업에서 학습된 작업별 특징이 기존 특징과 충돌하는 문제가 발생합니다. 본 논문은 인과론적 관점에서 이러한 특징 충돌의 주요 원인인 잘못된 특징 상관관계를 파악하고, 이를 완화하기 위해 확률적 필요성 및 충분성(PNS) 기반 정규화 방법을 제안합니다. 제안된 CPNS는 작업 내 표현의 인과적 완전성과 작업 간 표현의 분리성을 정량화하며, 이를 측정하기 위해 쌍둥이 네트워크 기반의 이중 범위 반사실 생성기를 사용하여 효과를 입증합니다.

### 🔑 시사점 및 한계

- **인과적 관점에서의 특징 충돌 원인 규명:** 기존 CIL 방법의 한계를 작업 내/간 잘못된 특징 상관관계라는 인과론적 관점에서 명확히 설명합니다.

- **CPNS를 통한 효과적인 특징 확장:** 제안된 CPNS 정규화는 작업 내 표현의 인과적 완전성과 작업 간 표현의 분리성을 동시에 개선하여 특징 충돌을 효과적으로 완화합니다.

- **플러그 앤 플레이 방식의 적용 용이성:** 제안된 방법은 기존 확장 기반 CIL 모델에 쉽게 적용 가능한 플러그 앤 플레이 방식입니다.

- **제한된 실험 환경:** 논문의 실험이 특정 환경 및 데이터셋에 국한되었을 수 있으며, 다양한 실제 시나리오에서의 성능 검증이 더 필요합니다.

- **반사실 생성기의 계산 복잡성:** 쌍둥이 네트워크 기반 반사실 생성기는 추가적인 계산 비용을 발생시킬 수 있습니다.

---

[PDF 보기](https://arxiv.org/pdf/2603.09145)

For the site tree, see the [root Markdown](https://slashpage.com/haebom.md).