1. 挑战/问题
在开放词汇表图像分类中，随着时间的推移，模型需要不断学习新的标签，同时保留对旧标签的记忆。这导致几个挑战：
- 数据增量学习：模型需要在任意时间点有效地吸收新的训练样本。
- 模型持续改进：模型应在接收到新样本时不断更新和提高。
- 存储与计算效率：随着数据量的增加，如何高效存储和计算成为问题。
2. Contribution：
- 提出了一个新的开放词汇持续学习方法：anytime continual learning，目标是在收到新示例时高效改进，并保持随时预测任意标签集的能力。
- 动态权重调整：在部分微调模型和固定开放词汇表模型的预测之间动态调整权重。
- PCA压缩：引入了一种基于注意力加权的PCA压缩方法，减少存储和计算负担
3. Method
- 对具有固定标签嵌入的特征进行部分微调；
- 在线训练，每批次由新训练样本和类平衡存储样本组成；
- 在线学习每个标签的准确性，以有效组合原始模型预测和调整后的模型预测；
- 损失修改以实现“以上都不是”预测，这也稳定了开放词汇训练；
- 中间层特征压缩可减少训练样本的存储并提高速度，而不会造成太大的准确性损失。
4. results of evaluation/experiments
论文通过一系列实验验证了提出方法的有效性：
- 灵活的学习与推理：在数据增量、类别增量和任务增量学习中均优于现有方法。
- 零样本预测：在没有训练样本的情况下，模型也能进行有效的预测。
- 存储效率：压缩方法减少了30倍的数据存储需求，同时对预测精度的影响很小。
论文还探讨了该方法在不同设置下的性能，包括任务增量、类别增量和数据增量学习，以及灵活的推理设置。实验结果表明，AnytimeCL方法在所有设置和阶段中均优于现有技术，特别是在早期阶段，当有限的数据用于类别或任务时，该方法显示出显著的性能提升
