近日，yabo亚搏手机最新版app认知计算与群智协同创新（CCCI）实验室关于持续遗忘学习的工作《ErrorEraser: Unlearning Data Bias for Improved Continual Learning》（第一作者：博士生曹雪梅，通讯作者：杨新教授）和开放持续学习的工作《lmproving Open-world Continual Learning under the Constraints of Scarce Labeled Data》（第一作者：博士生李昱洁，通讯作者：杨新教授）被国际数据挖掘领域顶级yabo亚搏手机最新版app KDD 2025 (CCF-A) 录用。
KDD (ACM SIGKDD Conference on Knowledge Discovery and Data Mining) 创立于1995年，是数据挖掘领域历史最悠久、规模最大、最具影响力的盛会之一，被中国计算机学会（CCF）推荐为A类yabo亚搏手机最新版app。根据大会yabo亚搏手机最新版app，KDD 2025 (31st SIGKDD Conference on Knowledge Discovery and Data Mining) 分两轮投稿周期，其中2025年2月第二轮共收稿1988篇，最终录用367篇，总体接受率约18.4%。
工作一：ErrorEraser: Unlearning Data Bias for Improved Continual Learning
本文提出了一个全新的视角：持续学习（Continual Learning, CL）不仅需要防止遗忘，还应具备“刻意遗忘”的能力。该观点源于现有 CL 方法普遍忽视现实世界数据中的偏差，进而导致模型学习到可迁移并在任务间不断放大的伪相关性。通过对特征提取过程和预测结果的深入分析，发现数据偏差会同时削弱 CL 在知识保留与迁移方面的能力。为应对此问题，本文提出了一个通用插件模块 ErrorEraser，用于擦除 CL 中由数据偏差引发的错误记忆，从而提升模型在新旧任务中的整体性能。ErrorEraser 包含两个核心模块：错误识别与错误擦除。前者无需任何先验知识，即可学习任务数据在特征空间中的概率密度分布，从而精确识别潜在的偏差样本；后者则通过定向调整代表性异常样本的决策边界，实现对错误知识的精准擦除。此外，本文还设计了一种增量式特征分布学习策略，有效降低了在下游任务中执行错误识别时的资源开销。
大量实验结果表明，ErrorEraser 显著减轻了数据偏差对模型性能的负面影响，在三类典型的持续学习方法中（基于回放、基于正则化和基于优化的方法）均实现了更高的准确率和更低的遗忘率，充分验证了其广泛的适用性。输出结果的决策边界可视化以及特征提取阶段的注意力图，直观展现了 ErrorEraser 在错误知识擦除方面的有效性。同时，参数敏感性分析进一步证明了该插件在不同设置下的鲁棒性和稳定性。
工作二：Improving Open-world Continual Learning under the Constraints of Scarce Labeled Data
开放世界持续学习（Open-world Continual Learning，OWCL）旨在应对样本具有开放性的新任务序列，在持续学习新知识的同时，有效防止对已学知识的遗忘。然而，现有的OWCL方法通常依赖于大量有标签数据进行训练，这在现实应用中往往难以实现。事实上，新类别或新实体在出现时往往伴随着有限的标注样本，且样本规模较。虼烁导食【暗难芯课侍庥ξ：少标签条件下的开放世界持续学习（Open-world Few-shot Continual Learning, OFCL）。OFCL问题面临诸多挑战，主要包括：（i）在不断涌现的新任务下实现对知识的增量学习，同时避免对旧知识的遗忘和对新任务的过拟合；（ii）在标注数据极为有限的条件下构建紧致且鲁棒的决策边界，以有效进行开放类别检测；（iii）充分挖掘并迁移已有知识以刻画“已知”与“未知”类别的关系，并在获取“未知”样本标签后，及时完成其状态从“未知”到“已知”的转换。
为应对上述挑战，本文提出了一种新颖的OFCL框架，整合了三个关键模块：（1）基于样本的Token增强模块（Instance-wise Token Augmentation, ITA），通过引入外部知识增强样本表示能力，以提升特征表达的鲁棒性与区分性；（2）基于边界的开放检测模块（Margin-based Open Boundary, MOB），支持在任务逐步展开过程中动态构建开放空间下的判别边界；（3）自适应知识空间模块（Adaptive Knowledge Space, AKS），为“未知”类别建模潜在知识表示，使其能够在获得标签信息后自然迁移为“已知”类别。通过在多个开放世界少样本持续学习基准数据集上的系统性实证研究，验证了所提出框架在性能与泛化能力方面相较现有方法具有显著优势，并展现出良好的实用价值与复现性。
