Page 101 - 《软件学报》2026年第4期

1542 软件学报 2026 年第 37 卷第 4 期

(即去除任务敏感的提示融合策略及开放阈值机制), 从实验结果中可以看出, 该方法在持续学习精度和开放检测
能力上均表现极差, 说明其缺乏对任务和类别变化的建模能力, 进一步强调了本文所提 TP-MoE 框架中任务敏感
的提示融合策略、路由机制与任务感知开放阈值策略的必要性.

表 2 TP-MoE 与基准模型的对比结果

Split-CIFAR100 (CI-OWCL场景) Open-CORe25 (DI-OWCL 场景)
类型 方法
ACC t (↑) AUC t (↑) FPR t (↓) ACC t (↑) AUC t (↑) FPR t (↓)
OpenMax 0.436±0.048 0.133±0.051 0.937±0.046 0.424±0.063 0.244±0.050 0.968±0.039
MaxLogits 0.445±0.041 0.103±0.047 0.931±0.045 0.412±0.179 0.259±0.053 0.964±0.037
L2P
Entropy 0.445±0.028 0.120±0.038 0.932±0.041 0.424±0.063 0.257±0.063 0.958±0.046
EnergyBased 0.445±0.038 0.102±0.043 0.925±0.040 0.425±0.065 0.256±0.057 0.970±0.057
OpenMax 0.423±0.031 0.139±0.037 0.928±0.045 0.402±0.029 0.270±0.024 0.960±0.036
MaxLogits 0.425±0.034 0.114±0.039 0.933±0.042 0.408±0.113 0.261±0.017 0.975±0.022
DualPrompt
Entropy 0.425±0.045 0.204±0.032 0.936±0.048 0.408±0.112 0.267±0.026 0.961±0.019
持续 EnergyBased 0.425±0.046 0.114±0.049 0.942±0.039 0.408±0.112 0.260±0.030 0.973±0.020
学习 OpenMax 0.439±0.036 0.125±0.042 0.936±0.046 0.413±0.032 0.278±0.045 0.953±0.020
与开 MaxLogits 0.439±0.047 0.090±0.039 0.942±0.047 0.415±0.033 0.183±0.028 0.964±0.018
放检 CODA-P Entropy 0.439±0.036 0.106±0.053 0.936±0.047 0.415±0.033 0.256±0.056 0.953±0.021
测的
组合 EnergyBased 0.439±0.031 0.089±0.053 0.946±0.039 0.415±0.033 0.169±0.022 0.962±0.018
方法 OpenMax 0.440±0.044 0.112±0.042 0.876±0.043 0.433±0.025 0.283±0.038 0.960±0.029
MaxLogits 0.440±0.042 0.099±0.042 0.882±0.038 0.433±0.026 0.238±0.029 0.965±0.025
ADAM
Entropy 0.440±0.042 0.221±0.043 0.876±0.047 0.433±0.025 0.197±0.016 0.967±0.021
EnergyBased 0.440±0.035 0.386±0.042 0.869±0.041 0.433±0.027 0.345±0.023 0.906±0.035
OpenMax 0.467±0.045 0.091±0.044 0.879±0.042 0.472±0.022 0.201±0.020 0.952±0.013
MaxLogits 0.468±0.042 0.092±0.042 0.878±0.039 0.472±0.022 0.212±0.017 0.963±0.010
RanPAC
Entropy 0.468±0.049 0.091±0.041 0.871±0.031 0.472±0.022 0.219±0.021 0.962±0.010
EnergyBased 0.468±0.046 0.227±0.038 0.869±0.041 0.475±0.021 0.411±0.025 0.939±0.021
开放世 MoE 0.212±0.072 0.200±0.030 0.995±0.002 0.120±0.035 0.102±0.031 0.991±0.004
界持续 MORE 0.716±0.011 0.717±0.127 0.492±0.016 0.641±0.077 0.641±0.077 0.517±0.011
学习 Pro-KT 0.779±0.010 0.745±0.010 0.397±0.026 0.635±0.011 0.675±0.125 0.451±0.015
方法 TP-MoE 0.876±0.023 0.915±0.016 0.280±0.101 0.797±0.087 0.789±0.245 0.320±0.074

总体来看, TP-MoE 在两个基准数据集上都实现了在准确率、开放集检测能力和误拒控制上的均衡优化, 展
现出良好的泛化性能与稳健性. 相比于现有方法通常存在“精度提升伴随高误拒”或“开放检测能力弱”的问题, TP-
MoE 在 3 项指标上的优化能力体现了其在开放世界持续学习场景中强大的知识积累和知识迁移能力.
5.4 消融实验
为了深入验证 TP-MoE 模型中关键结构设计的有效性, 我们设计了两组消融实验, 分别针对任务敏感的提示
融合模块与非线性残差门控机制进行评估. 这两部分模块共同构成了 TP-MoE 的消融核心, 其设计旨在增强模型
对任务切换的适应能力与对类别边界的知识保持能力, 进而缓解开放世界持续学习中常见的灾难性遗忘与泛化退
化问题.
表 3 展示了在移除任务敏感提示融合模块、保留残差门控的设置下, TP-MoE 在 Split-CIFAR100 数据集上
10 个任务中的表现. 从表中可以观察到, 模型在各项指标上均表现出良好的稳定性与判别能力, 尤其是在前半部
分任务 (任务 1–任务 5) 中, 模型准确率 ACC t 基本维持在 90% 以上, 其中任务 1 达到最高的 98.70%, 显示出模型
在学习初期任务时的强泛化能力和高质量表示学习效果.

此外, 模型在任务切换过程中仍能保持较高的 AUC t (如任务 1 达到 90.73%), 说明即使在不依赖任务敏感提
示的前提下, 模型仍然具备出色的类别判别能力与边界保留能力. 这说明模型的专家选择机制在残差门控调控下
FPR t 上, 模型在整个任务序
仍能一定程度上进行合理路由, 有效维持知识迁移的稳定性. 在反映遗忘程度的指标