原创 让你更懂AI的 2025-09-18 14:23 北京
持续学习与零样本一把抓
在类增量学习（Class-Incremental Learning, CIL）中，模型需要在不断学习新任务的同时保留旧知识，避免灾难性遗忘。近期，大规模预训练模型（如 CLIP）展现了强大的泛化与零样本能力，因此被广泛用于持续学习。
《Mind the Gap: Preserving and Compensating for the Modality Gap in CLIP-Based Continual Learning》提出了一个新思路：将模态间隔视为“特性”而非“缺陷”，通过保持与补偿的双策略，实现了在多项基准上的无重放 SOTA，并成功维护了 CLIP 的零样本能力。
论文标题：
Mind the Gap: Preserving and Compensating for the Modality Gap in CLIP-Based Continual Learning
论文作者：
Linlan Huang, Xusheng Cao, Haori Lu, Yifan Meng, Fei Yang, Xialei Liu
作者单位：
南开大学
论文地址：
https://arxiv.org/pdf/2507.09118
代码地址：
https://github.com/linlany/MindtheGap
现象与问题
持续学习的最大挑战——灾难性遗忘——在 CLIP 上依然存在。更重要的是，CLIP 具有独特的模态间隔（Modality Gap）：图像和文本特征分布在两个锥形空间中，彼此之间存在固有距离。
这表现在图文的余弦相似度通常分布在 0 到 0.3 之间。而使用交叉熵进行分类的目标是正样本相似度达到 1，负样本相似度达到 -1。两个模态的间隔在下游任务的微调过程中会发生变化，导致以下问题：
间隔扩大：破坏 CLIP 的预训练知识，加速遗忘
强行对齐：过度拟合下游数据，损害泛化能力
实验发现：
朴素微调：负样本相似度下降 → 模态间隔扩大 → 遗忘严重
强行对齐：模态间隔缩小 → 破坏预训练分布 → 泛化下降
方法：MG-CLIP
MG-CLIP 提出了“双机制”框架：
1. 模态间隔保持（Modality Gap Preservation, MGP）
如上图实验观测到微调的动态过程中正负样本间隔变化是非对称的，且负样本相似度的下降是模态间隔扩大的关键。
定义相对偏移量：
当 超过阈值 时，提前停止训练，避免破坏预训练知识。从而保持模态间隔，这一反应了预训练知识的指标。
2. 模态间隔补偿（Modality Gap Compensation, MGC）
模态间隔需要保持，然而文本分类器受限于模态间隔，其权重矩阵 在图像特征空间中的 的秩可能不足，难以达到最优：
解决方法：在图像空间引入额外分类器 ：
最终预测融合文本与视觉分类器，兼顾稳定性与适应性。
结果
MG-CLIP 在五个 benchmark 上的表现：
无重放设定下，全面优于现有方法：
参数效率极高：仅需 0.54M 额外参数。
零样本能力保持：以往的基于 CLIP 的持续学习方法评估往往遵循传统的持续学习评估，只注重在微调数据集上的性能。论文提出对于有强大零样本能力的CLIP模型，还需要对零样本能力的保持进行评估。
上图表示在 CIFAR100 上进行持续学习后，模型骨干在不同数据集上的零样本准确率。可以看到论文提出的方法可以良好地保持零样本性能。
启发
模态间隔在传统研究中常被认为是缺陷，需要缩小。本文则表明：在持续学习中，它是模型预训练知识的反映。
保持间隔能保护预训练分布，补偿机制则恢复灵活性 → 兼顾“稳定-可塑性”平衡。
提供了新的研究思路：未来的持续学习应更多利用预训练模型的结构性特征，而非一味改变它们。
贡献
本研究首次在持续学习场景中系统性地揭示了模态间隔的重要作用，并提出了结合“保持”与“补偿”的双机制方法，在有效抑制遗忘的同时兼顾模型的适应性。
在无重放条件下，MG-CLIP 不仅刷新了持续学习的 SOTA，还能保持甚至提升 CLIP 的零样本能力。
更重要的是，工作提供了一个全新的理论视角：预训练知识的维护可以通过对模态间隔的度量与调控来实现。
更多阅读
#投 稿 通 道#
让你的文字被更多人看到
如何才能让更多的优质内容以更短路径到达读者群体，缩短读者寻找优质内容的成本呢？答案就是：你不认识的人。
总有一些你不认识的人，知道你想知道的东西。PaperWeekly 或许可以成为一座桥梁，促使不同背景、不同方向的学者和学术灵感相互碰撞，迸发出更多的可能性。
PaperWeekly 鼓励高校实验室或个人，在我们的平台上分享各类优质内容，可以是最新论文解读，也可以是学术热点剖析、科研心得或竞赛经验讲解等。我们的目的只有一个，让知识真正流动起来。
📝 稿件基本要求：
• 文章确系个人原创作品，未曾在公开渠道发表，如为其他平台已发表或待发表的文章，请明确标注
• 稿件建议以 markdown 格式撰写，文中配图以附件形式发送，要求图片清晰，无版权问题
• PaperWeekly 尊重原作者署名权，并将为每篇被采纳的原创首发稿件，提供业内具有竞争力稿酬，具体依据文章阅读量和文章质量阶梯制结算
📬 投稿通道：
• 投稿邮箱：hr@paperweekly.site
• 来稿请备注即时联系方式（微信），以便我们在稿件选用的第一时间联系作者
• 您也可以直接添加小编微信（pwbot02）快速投稿，备注：姓名-投稿
△长按添加PaperWeekly小编
🔍
现在，在「知乎」也能找到我们了
进入知乎首页搜索「PaperWeekly」
点击「关注」订阅我们的专栏吧
·