🤖 machine learning

When Classes Evolve: A Benchmark and Framework for Stage-Aware Class-Incremental Learning

Este artigo introduz o Aprendizado Incremental de Classes Sensível ao Estágio (Stage-Aware Class-Incremental Learning - Stage-CIL) para enfrentar o desafio de aprender classes que passam por evolução morfológica ao longo do tempo, propondo o benchmark Stage-Bench e o framework STAGE para mitigar eficazmente tanto o esquecimento entre classes quanto a degradação de nível de estágio intra-classe.

Autores originais: Zheng Zhang, Tao Hu, Xueheng Li, Yang Wang, Rui Li, Jie Zhang, Chengjun Xie

Publicado 2026-08-05

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Zheng Zhang, Tao Hu, Xueheng Li, Yang Wang, Rui Li, Jie Zhang, Chengjun Xie

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está ensinando um robô a reconhecer animais. No mundo da inteligência artificial, existe um desafio famoso chamado "Aprendizado Incremental de Classes" (Class-Incremental Learning). Pense nisso como um aluno fazendo uma série de exames ao longo do tempo. Primeiro, ele aprende a identificar cachorros. Depois, aprende gatos. Depois, pássaros. A parte complicada é que o robô tem uma memória muito limitada. Cada vez que ele aprende um novo animal, ele tende a "esquecer" os antigos, um erro conhecido como "esquecimento catastrófico". Geralmente, os cientistas assumem que, uma vez que o robô aprende o que é um "cachorro", um cachorro permanece sendo um cachorro para sempre. Eles assumem que o animal não muda sua forma ou aparência ao longo do tempo.

Mas no mundo real, as coisas não são tão estáticas. Uma lagarta não permanece uma lagarta; ela se transforma em uma borboleta. Um carro bebê não parece exatamente com um carro velho, enferrujado e amassado anos depois. Se um robô for ensinado que uma "lagarta" e uma "borboleta" são duas coisas completamente diferentes, ele perde o ponto central de que são a mesma criatura em diferentes idades. Se ele for ensinado que são a mesma coisa, mas não souber lidar com a mudança drástica de aparência, ele ficará confuso. Este artigo aborda um canto específico deste problema: o que acontece quando as coisas que você está aprendendo a reconhecer realmente evoluem enquanto você as aprende?

Os pesquisadores por trás deste artigo, liderados por Zheng Zhang e Tao Hu, perceberam que os métodos padrão de treinamento de IA estão falhando nesta tarefa específica. Eles argumentam que os métodos atuais tratam um objeto em mudança como se fosse um objeto estático, o que faz com que a IA perca o rastro da verdadeira identidade do objeto conforme ele se transforma. Para corrigir isso, eles criaram um novo "jogo" para a IA chamado Stage-Aware Class-Incremental Learning (Stage-CIL). Em vez de apenas perguntar "Isto é um cachorro?", o novo jogo pergunta "Isto é um cachorro e é um filhote ou um adulto?", ao mesmo tempo em que garante que a IA não esqueça os filhotes que viu semanas atrás.

Para provar que este é um problema real, a equipe construiu um conjunto de testes massivo chamado Stage-Bench. Imagine um grande álbum de fotos com 10 capítulos diferentes (como Animais, Plantas e Objetos). Dentro de cada capítulo, há 20 itens diferentes e, para cada item, há duas fotos: uma de sua "fase inicial" (como uma semente ou uma larva) e uma de sua "fase posterior" (como uma árvore ou uma borboleta). No total, eles criaram um conjunto de dados com quase 19.000 imagens. Eles usaram isso para testar o quão bem diferentes modelos de IA poderiam aprender novos itens sem esquecer os antigos e, crucialmente, sem esquecer que a "versão inicial" e a "versão tardia" são, na verdade, a mesma coisa.

Quando rodaram os testes, os resultados foram reveladores. Eles testaram todos os principais métodos de IA que são geralmente considerados os "campeões" do aprendizado de novas coisas. No entanto, diante desses objetos em evolução, mesmo os melhores métodos existentes tiveram dificuldades. Eles sofreram o que os autores chamam de "esquecimento intra-classe". Esta é uma maneira sofisticada de dizer que a IA aprenderia a reconhecer uma borboleta, mas depois esqueceria completamente como era a lagarta, embora sejam a mesma espécie. Os métodos padrão tentavam forçar a lagarta e a borbola em uma única caixa estática, e a IA ficava confusa pela enorme diferença em suas aparências.

Para resolver isso, os autores introduziram um novo método chamado STAGE. Pense no STAGE como um detetive inteligente que mantém uma "foto de identificação" do objeto em sua forma inicial (o âncoras de identidade). Quando o objeto aparece mais tarde, em uma nova forma evoluída, o STAGE não apenas adivinha; ele usa um "pool de memória" de padrões de transformação para prever como a nova versão deve parecer com base na antiga. É como ter um mapa mental que diz: "Se eu vejo uma lagarta, eu sei exatamente como ela parecerá quando se tornar uma borboleta".

Os experimentos mostraram que o STAGE foi significativamente melhor que a concorrência. No teste principal, o STAGE alcançou uma precisão média de 75,11%, enquanto o segundo melhor método atingiu apenas 59,74%. Mais importante ainda, o STAGE quase não esqueceu as fases iniciais dos objetos, com uma pontuação de "esquecimento intra-classe" de apenas 7,48%, enquanto outros métodos lutaram com pontuações de até 58,61%. Isso sugere que, ao ensinar explicitamente a IA que os objetos podem mudar ao longo do tempo, em vez de fingir que eles permanecem os mesmos, podemos construir sistemas muito mais inteligentes e adaptáveis. O artigo conclui que, embora os métodos existentes sejam bons em aprender novas categorias, eles precisam de um upgrade importante para lidar com a realidade desordenada e evolutiva do mundo em que vivemos.

Resumo Técnico: Quando as Classes Evoluem: Um Benchmark e um Framework para Aprendizado Incremental de Classes Sensível a Estágios

Definição do Problema: Aprendizado Incremental de Classes Sensível a Estágios (Stage-CIL)
O Aprendizado Incremental de Classes (CIL) convencional opera sob a suposição implícita de que as classes semânticas são morfologicamente estáticas; o principal desafio é mitigar o esquecimento catastrófico de categorias aprendidas anteriormente à medida que novas são introduzidas. No entanto, em muitos cenários do mundo real, instâncias da mesma classe semântica passam por uma evolução morfológica substancial ao longo do tempo (por exemplo, uma larva transformando-se em uma borboleta, ou um veículo acumulando danos).

O artigo identifica um dilema fundamental ao aplicar o CIL padrão a tais cenários:

Agrupar todos os estágios sob um único rótulo achata a estrutura evolutiva, induzindo uma severa interferência de características intra-classe.
Dividir os estágios em classes pseudo-separadas rompe o elo de identidade subjacente, falhando em preservar a consistência semântica.

Isso leva a uma nova forma de esquecimento intra-classe, onde o modelo falha em manter a consistência de reconhecimento entre diferentes estágios morfológicos da mesma classe semântica, mesmo que consiga discriminar com sucesso entre diferentes classes. Protocolos de mudança de domínio padrão não avaliam explicitamente essa preservação de identidade condicionada à classe dentro de um espaço de rótulos em expansão.

Metodologia: O Framework STAGE
Para abordar o Stage-CIL, os autores propõem o STAGE, um baseline de referência consciente da evolução projetado para desmembrar a identidade semântica estável das dinâmicas específicas de cada estágio. O framework opera em um pipeline de "predizer-então-classificar":

Construção do Âncora de Identidade (Fase 0):
- O modelo congela o backbone (usando um Modelo Pré-treinado, especificamente o CLIP ViT-B/16) e aprende cabeças de projeção de imagem e texto específicas para a tarefa.
- Para cada nova classe, ele constrói um protótipo de identidade estável ( $p^y_0$ ) baseado no estágio morfológico inicial (Estágio-0). Este protótipo é armazenado como um vetor fixo e serve como a âncora semântica.
Evolução Preditiva via Pool de Memória (Fase 1):
- Em vez de substituir a âncora por características de estágios mistos, o STAGE prevê o protótipo da classe evoluída ( $\hat{p}^y_1$ ) para o estágio posterior (Estágio-1) usando a âncora do Estágio-0.
- Isso é alcançado através de um Pool de Memória consciente da Evolução, um pool de memória treinável de tamanho fixo contendo padrões de transformação reutilizáveis.
- O modelo utiliza um mecanismo de atenção para selecionar os top- $k$ padrões do pool que melhor correspondem à âncora da classe atual.
- Uma rede de evolução ( $E$ ) aplica uma atualização residual à âncora baseada no contexto atendido para prever o protótipo do Estágio-1: $\hat{p}^y_1 = p^y_0 + E(p^y_0, c^y)$ .
Objetivos de Classificação e Treinamento:
- Classificação Agnóstica ao Estágio: Na inferência, os rótulos de estágio não estão disponíveis. O modelo classifica uma entrada computando os logits contra o protótipo de melhor correspondência entre todos os estágios disponíveis (seja a âncora original ou o protótipo evoluído previsto).
- Funções de Perda: O objetivo de treinamento combina a entropia cruzada padrão com termos específicos:
  - Perda de Evolução ( $L_{evo}$ ): Minimiza a distância entre os protótipos previstos e reais, alinhando a direção do deslocamento previsto com o ground truth.
  - Ensaiamento de Padrão ( $L_{pattern}$ ): Garante que o preditor de evolução permaneça consistente nos padrões aprendidos anteriormente no pool de memória, evitando mudanças arbitrárias no operador de transformação.
  - Ensaiamento de Protótipo ( $L_{proto}$ ): Mantém o alinhamento com o espaço da âncora fixa para preservar a discriminação inter-classe.

Benchmark: Stage-Bench
Os autores introduzem o Stage-Bench, o primeiro benchmark multi-domínio adaptado para Stage-CIL.

Escopo: Abrange 10 domínios semânticos diversos (Animais, Plantas, Artefatos) com 20 classes por domínio, totalizando 400 estágios morfológicos.
Protocolo: Utiliza um regime de dois estágios (Estágio-0: forma inicial; Estágio-1: forma evoluída) com um protocolo de aprendizado progressivo controlado.
Métricas: Além da acurácia média padrão, o benchmark introduz duas métricas diagnósticas:
- Esquecimento Inter-classe (Inter-F): Mede a queda de acurácia para classes aprendidas anteriormente.
- Esquecimento Intra-classe (Intra-F): Mede especificamente a queda de desempenho no estágio morfológico mais antigo de uma classe após o modelo ter sido atualizado com dados de estágios posteriores. Isso isola a degradação da consistência de identidade entre estágios.

Resultados Principais
Experimentos extensos no Stage-Bench demonstram que:

Limitações dos Métodos Existentes: Métodos de estado da arte de CIL e Aprendizado Incremental de Domínio (DIL) (ex: iCaRL, L2P, DualPrompt, MOS, SimpleCIL) performam significativamente pior sob Stage-CIL. Eles exibem altos scores de Intra-F, indicando que falham em preservar a consistência de identidade através de formas evolutivas.
Performance do STAGE: O STAGE supera consistentemente os competidores. No benchmark primário de dois estágios, ele atinge uma acurácia média de 75,11% e uma acurácia final de 56,44%, superando significativamente o próximo melhor método, o MOS, que alcançou 59,74% de acurácia média.
Redução de Esquecimento: O STAGE reduz drasticamente o esquecimento, alcançando um Intra-F de 7,48% comparado aos 24,44%–58,61% dos outros métodos.
Generalização: Quando testado em um cenário reestruturado de três estágios (Domínio de Objetos), o STAGE mantém uma liderança clara com um Intra-F de apenas 0,31%, sugerindo que a abordagem escala para regimes evolutivos mais complexos.

Significância e Alegações
O artigo reivindica três contribuições principais:

Formalização do Stage-CIL: Estabelece um novo cenário de aprendizado contínuo que aborda explicitamente o desafio de preservar a identidade semântica através da evolução morfológica intra-classe, distinguindo-o do CIL e DIL padrão.
Benchmarking: Fornece o Stage-Bench e as métricas diagnósticas associadas (Inter-F e Intra-F) para avaliar e isolar rigorosamente o esquecimento intra-classe, algo que os benchmarks anteriores falharam em capturar.
Prova de Conceito: Através do STAGE, os autores demonstram que a modelagem explícita da transformação de estágio é uma direção viável e promissora para resolver o esquecimento intra-classe. Ao separar âncoras de identidade estáveis de padrões de transformação dinâmicos, o framework permite a previsão de formas morfológicas posteriores a partir de representações anteriores, mitigando efetivamente o problema do "esquecimento intra-classe".

Os autores concluem que as reduções de CIL convencionais (que ignoram a estrutura de estágios) são insuficientes para classes em evolução e que futuros sistemas de aprendizado contínuo devem considerar a evolução temporal e específica de estágio dentro das categorias semânticas.

Mais como este