論文の概要: Contrastive Consolidation of Top-Down Modulations Achieves Sparsely Supervised Continual Learning

• arxiv url: http://arxiv.org/abs/2505.14125v1
• Date: Tue, 20 May 2025 09:31:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-21 14:49:52.971219
• Title: Contrastive Consolidation of Top-Down Modulations Achieves Sparsely Supervised Continual Learning
• Title（参考訳）: 連続学習を軽視したトップダウン変調のコントラスト強化
• Authors: Viet Anh Khoa Tran, Emre Neftci, Willem. A. M. Wybo,
• Abstract要約: 新皮質の生体物理機械からインスピレーションを得たタスク変調コントラスト学習(TMCL)を導入する。 TMCLは、トップダウン情報を継続的に監視なしで統合する。 本実験は,最先端の教師なしアプローチによるクラスインクリメンタル学習とトランスファー学習の改善を示す。
• 参考スコア（独自算出の注目度）: 0.914124438655861
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Biological brains learn continually from a stream of unlabeled data, while integrating specialized information from sparsely labeled examples without compromising their ability to generalize. Meanwhile, machine learning methods are susceptible to catastrophic forgetting in this natural learning setting, as supervised specialist fine-tuning degrades performance on the original task. We introduce task-modulated contrastive learning (TMCL), which takes inspiration from the biophysical machinery in the neocortex, using predictive coding principles to integrate top-down information continually and without supervision. We follow the idea that these principles build a view-invariant representation space, and that this can be implemented using a contrastive loss. Then, whenever labeled samples of a new class occur, new affine modulations are learned that improve separation of the new class from all others, without affecting feedforward weights. By co-opting the view-invariance learning mechanism, we then train feedforward weights to match the unmodulated representation of a data sample to its modulated counterparts. This introduces modulation invariance into the representation space, and, by also using past modulations, stabilizes it. Our experiments show improvements in both class-incremental and transfer learning over state-of-the-art unsupervised approaches, as well as over comparable supervised approaches, using as few as 1% of available labels. Taken together, our work suggests that top-down modulations play a crucial role in balancing stability and plasticity.
• Abstract（参考訳）: 生物学的脳は、ラベルなしデータのストリームから継続的に学習し、スパースラベル付きサンプルから専門的な情報を統合し、一般化する能力を損なうことなく学習する。 一方、この自然学習環境では、機械学習の手法は破滅的な忘れをしがちである。 我々は,新皮質の生体物理機械からインスピレーションを得たタスク変調コントラスト学習(TMCL)を導入し,予測的コーディング原理を用いて,トップダウン情報を継続的にかつ監督なしで統合する。 我々は、これらの原則がビュー不変表現空間を構築し、対照的な損失を使ってこれを実装できるという考えに従います。 そして、新しいクラスのラベル付けされたサンプルが発生すると、新しいアフィン調節が学習され、新しいクラスが他のすべてのクラスから分離され、フィードフォワードの重量に影響を与えない。 ビュー不変学習機構を併用することにより、データサンプルの変調されていない表現と変調された表現とを一致させるために、フィードフォワードウェイトをトレーニングする。 このことは、変調不変性を表現空間に導入し、過去の変調も使用することによって、それを安定化させる。 実験の結果,最先端の教師なしアプローチと同等の教師付きアプローチに比較して,クラス増分学習とトランスファー学習の両面で改善がみられた。 私たちの研究は、トップダウン変調が安定性と塑性のバランスをとる上で重要な役割を担っていることを示唆している。

関連論文リスト

• Adaptive Weighted Parameter Fusion with CLIP for Class-Incremental Learning [12.67816343247008]
  クラス増分学習により、モデルは新しいクラスからの知識を漸進的に吸収することができる。 モデルが新しいクラスで最適化されると、前のクラスの知識は必然的に消去され、破滅的な忘れ去られる。
  論文  参考訳（メタデータ） (2025-03-25T09:51:04Z)
• DESIRE: Dynamic Knowledge Consolidation for Rehearsal-Free Continual Learning [23.878495627964146]
  連続学習は、人間のような以前に学習された知識を保持する能力をモデルに装備することを目的としている。 既存の手法は通常、実験データが事前訓練されたモデルで使用されているという事実によって引き起こされる情報漏洩の問題を見落としている。 本稿では,ロラをベースとした新たなリハーサルフリー手法DESIREを提案する。
  論文  参考訳（メタデータ） (2024-11-28T13:54:01Z)
• Learning Invariant Molecular Representation in Latent Discrete Space [52.13724532622099]
  本稿では,分散シフトに対する不変性とロバスト性を示す分子表現を学習するための新しい枠組みを提案する。 我々のモデルは、様々な分布シフトが存在する場合に、最先端のベースラインに対してより強力な一般化を実現する。
  論文  参考訳（メタデータ） (2023-10-22T04:06:44Z)
• Mitigating Forgetting in Online Continual Learning via Contrasting Semantically Distinct Augmentations [22.289830907729705]
  オンライン連続学習(OCL)は、非定常データストリームからモデル学習を可能とし、新たな知識を継続的に獲得し、学習した知識を維持することを目的としている。 主な課題は、"破滅的な忘れる"問題、すなわち、新しい知識を学習しながら学習した知識を十分に記憶できないことにある。
  論文  参考訳（メタデータ） (2022-11-10T05:29:43Z)
• Constructing Balance from Imbalance for Long-tailed Image Recognition [50.6210415377178]
  多数派(頭)クラスと少数派(尾)クラスの不均衡は、データ駆動のディープニューラルネットワークを著しく歪ませる。 従来の手法では、データ分散、特徴空間、モデル設計の観点からデータ不均衡に対処していた。 ラベル空間を段階的に調整し,ヘッドクラスとテールクラスを分割することで,簡潔なパラダイムを提案する。 提案モデルでは,特徴評価手法も提供し,長期的特徴学習の道を開く。
  論文  参考訳（メタデータ） (2022-08-04T10:22:24Z)
• Automatic Rule Induction for Efficient Semi-Supervised Learning [56.91428251227253]
  半教師付き学習は、少量のラベル付きデータからNLPモデルを一般化できることを約束している。 事前訓練されたトランスモデルはブラックボックス相関エンジンとして機能し、説明が困難であり、時には信頼性に欠ける振る舞いをする。 本稿では,これらの課題に,簡易かつ汎用的なフレームワークであるAutomatic Rule Injection (ARI) を用いて対処することを提案する。
  論文  参考訳（メタデータ） (2022-05-18T16:50:20Z)
• CMW-Net: Learning a Class-Aware Sample Weighting Mapping for Robust Deep Learning [55.733193075728096]
  現代のディープニューラルネットワークは、破損したラベルやクラス不均衡を含むバイアス付きトレーニングデータに容易に適合する。 サンプル再重み付け手法は、このデータバイアス問題を緩和するために一般的に使用されている。 本稿では,データから直接明示的な重み付け方式を適応的に学習できるメタモデルを提案する。
  論文  参考訳（メタデータ） (2022-02-11T13:49:51Z)
• Revisiting Consistency Regularization for Semi-Supervised Learning [80.28461584135967]
  そこで我々は,FeatDistLossというシンプルな手法により,一貫性の規則化を改良したフレームワークを提案する。 実験結果から,本モデルは様々なデータセットや設定のための新しい技術状態を定義する。
  論文  参考訳（メタデータ） (2021-12-10T20:46:13Z)
• Analyzing Overfitting under Class Imbalance in Neural Networks for Image Segmentation [19.259574003403998]
  画像分割では、ニューラルネットワークは小さな構造物の前景サンプルに過剰に適合する可能性がある。 本研究では,ネットワークの動作を検査することにより,クラス不均衡下でのオーバーフィッティング問題に対する新たな知見を提供する。
  論文  参考訳（メタデータ） (2021-02-20T14:57:58Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。