HEDP: 도메인 점진적 학습을 위한 하이브리드 에너지-거리 프롬프트 기반 프레임워크

HEDP: A Hybrid Energy-Distance Prompt-based Framework for Domain Incremental Learning

도메인 점진적 학습은 모델이 재학습 없이 새로운 데이터 도메인에 지속적으로 적응해야 하는 중요한 시나리오입니다. 그러나 도메인 변화는 종종 심각한 성능 저하를 초래합니다. 이를 해결하기 위해, 우리는 헬름홀츠 자유 에너지에서 영감을 받은 도메인 점진적 학습 프레임워크인 하이브리드 에너지-거리 프롬프트(HEDP)를 제안합니다. HEDP는 도메인 표현의 분리성을 향상시키기 위한 에너지 정규화 손실을 도입하고, 에너지 기반 및 거리 기반 신호를 결합하여 도메인 선택 및 일반화를 개선하는 하이브리드 에너지-거리 가중 메커니즘을 사용합니다. CORe50을 포함한 여러 벤치마크에서의 실험 결과, HEDP는 새로운 도메인에서 2.57%의 정확도 향상을 달성하여 재앙적 망각을 효과적으로 완화하고, 개방형 세계 적응성을 향상시킵니다. 저희 코드의 소스 코드는 [https://github.com/dannis97500/HEDP/](https://github.com/dannis97500/HEDP/) 에서 확인하실 수 있습니다.

Domain Incremental Learning is a critical scenario that requires models to continuously adapt to new data domains without retraining. However, domain shifts often cause severe performance degradation. To address this, we propose Hybrid Energy-Distance Prompt, a domain-incremental framework inspired by Helmholtz free energy. HEDP introduces an energy regularization loss to enhance the separability of domain representations and a hybrid energy-distance weighted mechanism that fuses energy-based and distance-based cues to improve domain selection and generalization. Experiments on multiple benchmarks, including CORe50, show that HEDP achieves superior performance on unseen domains with a 2.57\% accuracy gain, effectively mitigating catastrophic forgetting and enhancing open-world adaptability. Our code is \href{https://github.com/dannis97500/HEDP/}{available here}.