近日，项目成员博士生邱奔流为第一作者，李宏亮教授和王岚晓博士为通讯作者共同完成的研究论文《因果特征增强以去除类别增量学习中任务诱导的偏见》（CafeBoost: Causal Feature Boost to Eliminate Task-Induced Bias for Class Incremental Learning）被计算机视觉顶级会议CVPR 2023接收。CVPR (IEEE/CVF Conference on Computer Vision and Pattern Recognition)是计算机视觉领域全球最有影响力的会议，受到全世界学界和工业界的广泛关注。

深度模型在学习单一任务时具有卓越的表现，但在学习任务序列时往往遭受着严重的灾难性遗忘。连续学习要求模型增量式地学习一系列的任务，且能在所有已学习任务上表现很好。在这个工作里，我们发现连续学习中存在的一种新型偏见，称之为任务诱导的偏见。我们使用因果框架建模了连续学习。基于这一框架我们发现任务诱导的偏见在任务增量和域增量这两个连续学习场景下被两种隐含的机制去除了。而在类别增量场景下，这两种机制均不存在。为了消除类别增量学习中的任务诱导偏见，我们设计了一个因果干预操作以便切断造成这一偏见的路径，然后将这一操作实现为一个因果去偏模块以将有偏特征增强为无偏特征。另外，我们提出了一个训练策略来将我们的模块融合进已有的连续学习模型中。该论文提出的方法相比基础方法的平均准确率大幅提升，遗忘率大幅下降，并在多个标准数据集上均优于现有方法。