論文の概要: Cut out and Replay: A Simple yet Versatile Strategy for Multi-Label Online Continual Learning

• arxiv url: http://arxiv.org/abs/2505.19680v1
• Date: Mon, 26 May 2025 08:40:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:43.285819
• Title: Cut out and Replay: A Simple yet Versatile Strategy for Multi-Label Online Continual Learning
• Title（参考訳）: カット・アンド・リプレイ: マルチラベルオンライン連続学習のためのシンプルでVersatileな戦略
• Authors: Xinrui Wang, Shao-yuan Li, Jiaqiang Zhang, Songcan Chen,
• Abstract要約: マルチラベルオンライン連続学習(MOCL)は、無限のマルチラベルデータストリームから連続的に学習するモデルを必要とする。 そこで本稿では,ラベル特定領域の特定,強化,縮小により,詳細な監視信号を提供する戦略を提案する。
• 参考スコア（独自算出の注目度）: 29.336056489694265
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-Label Online Continual Learning (MOCL) requires models to learn continuously from endless multi-label data streams, facing complex challenges including persistent catastrophic forgetting, potential missing labels, and uncontrollable imbalanced class distributions. While existing MOCL methods attempt to address these challenges through various techniques, \textit{they all overlook label-specific region identifying and feature learning} - a fundamental solution rooted in multi-label learning but challenging to achieve in the online setting with incremental and partial supervision. To this end, we first leverage the inherent structural information of input data to evaluate and verify the innate localization capability of different pre-trained models. Then, we propose CUTER (CUT-out-and-Experience-Replay), a simple yet versatile strategy that provides fine-grained supervision signals by further identifying, strengthening and cutting out label-specific regions for efficient experience replay. It not only enables models to simultaneously address catastrophic forgetting, missing labels, and class imbalance challenges, but also serves as an orthogonal solution that seamlessly integrates with existing approaches. Extensive experiments on multiple multi-label image benchmarks demonstrate the superiority of our proposed method. The code is available at \href{https://github.com/wxr99/Cut-Replay}{https://github.com/wxr99/Cut-Replay}
• Abstract（参考訳）: マルチラベルオンライン連続学習(MOCL)は、永続的な破滅的な忘れ込み、潜在的な欠落ラベル、制御不能な不均衡なクラス分布など、複雑な課題に直面し、無限のマルチラベルデータストリームから継続的に学習するモデルを必要とする。 既存のMOCLメソッドは、様々なテクニックによってこれらの課題に対処しようとしているが、 \textit{they all overlook label-specific region identified and feature learning} - マルチラベル学習に根ざしているが、漸進的かつ部分的な監督を伴うオンライン環境では達成が難しい基本的なソリューションである。 この目的のために、まず入力データ固有の構造情報を活用し、異なる事前学習モデルの固有局所化能力を評価し検証する。 そこで我々は,CUT-out-and-Experience-Replay(CUT-out-and-Experience-Replay)を提案する。 これは、モデルが破滅的な忘れ、ラベルの欠如、クラス不均衡の問題に同時に対処することを可能にするだけでなく、既存のアプローチとシームレスに統合する直交的なソリューションとしても機能する。 複数のマルチラベル画像ベンチマークの大規模な実験により,提案手法の優位性を実証した。 コードは \href{https://github.com/wxr99/Cut-Replay}{https://github.com/wxr99/Cut-Replay} で公開されている。

関連論文リスト

• SemiReward: A General Reward Model for Semi-supervised Learning [58.47299780978101]
  半教師付き学習(SSL)は、擬似ラベリングによる自己学習フレームワークの様々な改善により、大きな進歩をみせた。 主な課題は、高品質な擬似ラベルを確認バイアスと区別する方法である。 本稿では、報酬スコアを予測して高品質な擬似ラベルを評価・フィルタリングするセミ教師付きリワードフレームワーク(SemiReward)を提案する。
  論文  参考訳（メタデータ） (2023-10-04T17:56:41Z)
• Towards Imbalanced Large Scale Multi-label Classification with Partially Annotated Labels [8.977819892091]
  マルチラベル分類は、複数のクラスにインスタンスを関連付けることができる日常生活において、広く発生する問題である。 本研究では,ラベルの不均衡の問題に対処し,部分ラベルを用いたニューラルネットワークのトレーニング方法について検討する。
  論文  参考訳（メタデータ） (2023-07-31T21:50:48Z)
• Reliable Representation Learning for Incomplete Multi-View Missing Multi-Label Classification [78.15629210659516]
  本稿ではRANKと呼ばれる不完全なマルチビュー欠落型マルチラベル分類ネットワークを提案する。 既存の手法に固有のビューレベルの重みを分解し、各サンプルのビューに品質スコアを動的に割り当てる品質対応サブネットワークを提案する。 私たちのモデルは、完全なマルチビューマルチラベルデータを扱うだけでなく、欠落したインスタンスやラベルを持つデータセットでも処理できます。
  論文  参考訳（メタデータ） (2023-03-30T03:09:25Z)
• An Embarrassingly Simple Approach to Semi-Supervised Few-Shot Learning [58.59343434538218]
  間接学習の観点から、ラベルなしデータの正負の擬似ラベルを正確に予測するための、単純だが非常に効果的な手法を提案する。 私たちのアプローチは、オフザシェルフ操作のみを使用することで、ほんの数行のコードで実装できます。
  論文  参考訳（メタデータ） (2022-09-28T02:11:34Z)
• Semi-supervised Drifted Stream Learning with Short Lookback [27.172618748579946]
  本稿では,SDSLを解くための基本的で汎用的な世代再生フレームワークを提案する。 我々は、ラベル付きデータの教師付き知識を活用するために、新しい擬似ラベル分類モデルを開発した。 本稿では,フロートストリームにおけるアンチフォッゲッティング学習の課題を,短時間の振り返りで効果的に解決できることを示す。
  論文  参考訳（メタデータ） (2022-05-25T22:13:22Z)
• Use All The Labels: A Hierarchical Multi-Label Contrastive Learning Framework [75.79736930414715]
  本稿では,すべての利用可能なラベルを活用でき,クラス間の階層的関係を維持できる階層型多言語表現学習フレームワークを提案する。 比較損失に階層的ペナルティを併用し,その階層的制約を強制する。
  論文  参考訳（メタデータ） (2022-04-27T21:41:44Z)
• Incomplete Multi-View Weak-Label Learning with Noisy Features and Imbalanced Labels [4.800187500079582]
  マルチビュー学習の限界を克服する新しい手法を提案する。 不完全ビューと弱いラベルを適応重み付き低次元部分空間に埋め込む。 ノイズの多いビューを検出するために埋め込みの視点的重要性を適応的に学習し、焦点損失によるラベルの不均衡問題を緩和する。
  論文  参考訳（メタデータ） (2022-01-04T10:49:30Z)
• A Closer Look at Self-training for Zero-Label Semantic Segmentation [53.4488444382874]
  トレーニング中に見られないクラスをセグメント化できることは、ディープラーニングにおいて重要な技術的課題です。 事前のゼロラベルセマンティクスセグメンテーションは、ビジュアル・セマンティクスの埋め込みや生成モデルを学ぶことによってこのタスクにアプローチする。 本研究では,同一画像の異なる増分から生じる擬似ラベルの交点を取り出し,ノイズの多い擬似ラベルをフィルタリングする整合性正規化器を提案する。
  論文  参考訳（メタデータ） (2021-04-21T14:34:33Z)
• Constrained Labeling for Weakly Supervised Learning [15.365232702938677]
  本稿では、弱い監視信号を組み合わせるための単純なデータフリーアプローチを提案する。 我々の手法は効率よく安定しており、数回の降下を繰り返して収束する。 本手法は,様々なテキスト・画像分類タスクにおいて,他の弱い監督手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-09-15T21:30:53Z)

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。