E2PL: 불완전한 다중 시점 다중 레이블 클래스 점진 학습을 위한 효과적이고 효율적인 프롬프트 학습

E2PL: Effective and Efficient Prompt Learning for Incomplete Multi-view Multi-Label Class Incremental Learning

다중 시점 다중 레이블 분류(MvMLC)는 다양한 소스로부터 정보를 수집하는 현대 웹 애플리케이션에서 필수적인 기술입니다. 그러나 실제 웹 규모 환경에서는 누락된 시점과 지속적으로 새로운 클래스가 등장하는 경우가 많으며, 이는 안정적인 학습에 상당한 어려움을 초래합니다. 기존 방법들은 이러한 현실에 제대로 대응하지 못하며, 새로운 클래스에 대한 적응력이 부족하거나, 모든 가능한 누락 시점 패턴을 처리할 때 지수적으로 파라미터가 증가하여 웹 환경에서의 확장성을 심각하게 제한합니다. 이러한 격차를 체계적으로 해결하기 위해, 우리는 모델이 다양한 누락 시점과 동적인 클래스 확장을 동시에 처리해야 하는 새로운 과제인 extit{불완전한 다중 시점 다중 레이블 클래스 점진 학습}(IMvMLCIL)을 공식적으로 정의합니다. 이 과제를 해결하기 위해, 우리는 IMvMLCIL을 위한 효과적이고 효율적인 프롬프트 학습 프레임워크인 extsf{E2PL}을 제안합니다. extsf{E2PL}은 두 가지 새로운 프롬프트 설계를 통합합니다. 즉, 클래스 점진적 적응을 위한 extit{태스크 맞춤형 프롬프트}와, 임의의 시점 누락 시나리오를 유연하게 통합하기 위한 extit{누락 인식 프롬프트}입니다. 누락 인식 프롬프트에 내재된 지수적인 파라미터 폭증 문제를 근본적으로 해결하기 위해, 우리는 원자 텐서 분해를 활용하여 프롬프트 파라미터 복잡도를 지수 함수에서 선형 함수로 우아하게 줄이는 extit{효율적인 프로토타입 텐서화} 모듈을 고안했습니다. 또한, 우리는 다양한 누락 시점 패턴 간의 복잡한 의존성을 명시적으로 모델링하기 위해 extit{동적 대비 학습} 전략을 통합하여 모델의 견고성을 향상시켰습니다. 세 가지 벤치마크에서 수행한 광범위한 실험 결과, extsf{E2PL}은 효과성과 효율성 측면에서 최첨단 방법보다 일관되게 우수한 성능을 보였습니다. 코드와 데이터셋은 https://anonymous.4open.science/r/code-for-E2PL에서 확인할 수 있습니다.

Multi-view multi-label classification (MvMLC) is indispensable for modern web applications aggregating information from diverse sources. However, real-world web-scale settings are rife with missing views and continuously emerging classes, which pose significant obstacles to robust learning. Prevailing methods are ill-equipped for this reality, as they either lack adaptability to new classes or incur exponential parameter growth when handling all possible missing-view patterns, severely limiting their scalability in web environments. To systematically address this gap, we formally introduce a novel task, termed \emph{incomplete multi-view multi-label class incremental learning} (IMvMLCIL), which requires models to simultaneously address heterogeneous missing views and dynamic class expansion. To tackle this task, we propose \textsf{E2PL}, an Effective and Efficient Prompt Learning framework for IMvMLCIL. \textsf{E2PL} unifies two novel prompt designs: \emph{task-tailored prompts} for class-incremental adaptation and \emph{missing-aware prompts} for the flexible integration of arbitrary view-missing scenarios. To fundamentally address the exponential parameter explosion inherent in missing-aware prompts, we devise an \emph{efficient prototype tensorization} module, which leverages atomic tensor decomposition to elegantly reduce the prompt parameter complexity from exponential to linear w.r.t. the number of views. We further incorporate a \emph{dynamic contrastive learning} strategy explicitly model the complex dependencies among diverse missing-view patterns, thus enhancing the model's robustness. Extensive experiments on three benchmarks demonstrate that \textsf{E2PL} consistently outperforms state-of-the-art methods in both effectiveness and efficiency. The codes and datasets are available at https://anonymous.4open.science/r/code-for-E2PL.