論文の概要: Catastrophic Forgetting Mitigation via Discrepancy-Weighted Experience Replay

• arxiv url: http://arxiv.org/abs/2507.00042v1
• Date: Mon, 23 Jun 2025 09:11:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:22:58.05078
• Title: Catastrophic Forgetting Mitigation via Discrepancy-Weighted Experience Replay
• Title（参考訳）: 離散性重み付き経験リプレイによる破滅的予測緩和
• Authors: Xinrun Xu, Jianwen Yang, Qiuhong Zhang, Zhanbiao Lian, Zhiming Ding, Shan Jiang,
• Abstract要約: トラフィック監視のためのクラウドエッジ協調オブジェクト検出におけるエッジモデルの継続的な適応は、破滅的な忘れに悩まされる。 本稿では,適応的な経験リプレイに基づくエッジモデル更新アルゴリズムER-EMUを提案する。
• 参考スコア（独自算出の注目度）: 5.322140415456881
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Continually adapting edge models in cloud-edge collaborative object detection for traffic monitoring suffers from catastrophic forgetting, where models lose previously learned knowledge when adapting to new data distributions. This is especially problematic in dynamic traffic environments characterised by periodic variations (e.g., day/night, peak hours), where past knowledge remains valuable. Existing approaches like experience replay and visual prompts offer some mitigation, but struggle to effectively prioritize and leverage historical data for optimal knowledge retention and adaptation. Specifically, simply storing and replaying all historical data can be inefficient, while treating all historical experiences as equally important overlooks their varying relevance to the current domain. This paper proposes ER-EMU, an edge model update algorithm based on adaptive experience replay, to address these limitations. ER-EMU utilizes a limited-size experience buffer managed using a First-In-First-Out (FIFO) principle, and a novel Domain Distance Metric-based Experience Selection (DDM-ES) algorithm. DDM-ES employs the multi-kernel maximum mean discrepancy (MK-MMD) to quantify the dissimilarity between target domains, prioritizing the selection of historical data that is most dissimilar to the current target domain. This ensures training diversity and facilitates the retention of knowledge from a wider range of past experiences, while also preventing overfitting to the new domain. The experience buffer is also updated using a simple random sampling strategy to maintain a balanced representation of previous domains. Experiments on the Bellevue traffic video dataset, involving repeated day/night cycles, demonstrate that ER-EMU consistently improves the performance of several state-of-the-art cloud-edge collaborative object detection frameworks.
• Abstract（参考訳）: トラフィック監視のためのクラウド-エッジ協調オブジェクト検出におけるエッジモデルへの継続的な適応は破滅的な忘れ込みに悩まされる。 これは、過去の知識が価値のある、周期的な変動(例えば、昼夜、ピーク時)によって特徴づけられる動的な交通環境において特に問題となる。 経験的リプレイや視覚的プロンプトのような既存のアプローチは、いくつかの緩和を提供するが、最適な知識の保持と適応のために、歴史的データを効果的に優先順位付けし活用することに苦労する。 具体的には、すべての履歴データの保存と再生は非効率であると同時に、すべての歴史的経験を、現在のドメインに対するさまざまな関連性を見落としているように扱うことができる。 本稿では,適応的な経験リプレイに基づくエッジモデル更新アルゴリズムER-EMUを提案する。 ER-EMU は First-In-First-Out (FIFO) の原理と新しいDomain Distance Metric-based Experience Selection (DDM-ES) アルゴリズムを用いて管理する。 DDM-ESは、MK-MMD(Multi-kernel maximum mean discrepancy)を用いて、ターゲットドメイン間の相違を定量化し、現在のターゲットドメインと最も異なる歴史的データの選択を優先順位付けする。 これにより、トレーニングの多様性が保証され、より広範な過去の経験から知識の保持が容易になると同時に、新しいドメインへの過度な適合を防止できる。 経験バッファは、単純なランダムサンプリング戦略を使用して更新され、以前のドメインのバランスの取れた表現が維持される。 Bellevueトラフィックビデオデータセットの実験では、昼夜サイクルを繰り返して、ER-EMUは、最先端のクラウド-エッジ協調オブジェクト検出フレームワークのパフォーマンスを一貫して改善することを示した。

関連論文リスト

• Learning Normal Flow Directly From Event Neighborhoods [18.765370814655626]
  正規フロー推定のための新しい教師付き点ベース手法を提案する。 ローカル・ポイント・クラウド・エンコーダを用いて,本手法は生イベントからのイベント当たりの通常の流れを直接推定する。 提案手法は, 異なるデータセット間で転送される場合の最先端手法よりも, より優れた, より一貫性のある性能を実現する。
  論文  参考訳（メタデータ） (2024-12-15T19:09:45Z)
• Learn from the Learnt: Source-Free Active Domain Adaptation via Contrastive Sampling and Visual Persistence [60.37934652213881]
  ドメイン適応(DA)は、ソースドメインから関連するターゲットドメインへの知識伝達を容易にする。 本稿では、ソースデータフリーなアクティブドメイン適応(SFADA)という実用的なDAパラダイムについて検討する。 本稿では,学習者学習(LFTL)というSFADAの新たなパラダイムを紹介し,学習した学習知識を事前学習モデルから活用し,余分なオーバーヘッドを伴わずにモデルを積極的に反復する。
  論文  参考訳（メタデータ） (2024-07-26T17:51:58Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• Learning Feature Inversion for Multi-class Anomaly Detection under General-purpose COCO-AD Benchmark [101.23684938489413]
  異常検出(AD)は、しばしば産業品質検査や医学的病変検査のための異常の検出に焦点が当てられている。 この研究はまず、COCOをADフィールドに拡張することにより、大規模で汎用的なCOCO-ADデータセットを構築する。 セグメンテーション分野のメトリクスにインスパイアされた我々は、より実用的なしきい値に依存したAD固有のメトリクスをいくつか提案する。
  論文  参考訳（メタデータ） (2024-04-16T17:38:26Z)
• Continual Learning with Strong Experience Replay [32.154995019080594]
  SER(Strong Experience Replay)を用いたCL法を提案する。 SERは、メモリバッファから過去の経験を蒸留する以外に、現在のトレーニングデータに模倣された将来の経験を利用する。 複数の画像分類データセットによる実験結果から,SER法が最先端の手法をはるかに上回ることがわかった。
  論文  参考訳（メタデータ） (2023-05-23T02:42:54Z)
• Domain-incremental Cardiac Image Segmentation with Style-oriented Replay and Domain-sensitive Feature Whitening [67.6394526631557]
  M&Mは、各受信データセットから漸進的に学習し、時間が経つにつれて改善された機能で漸進的に更新する必要がある。 医学的シナリオでは、データのプライバシのため、過去のデータへのアクセスや保存が一般的に許可されないため、これは特に困難である。 本稿では,まず過去のドメイン入力を復元し,モデル最適化中に定期的に再生する新しいドメイン増分学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-09T13:07:36Z)
• Impact of Channel Variation on One-Class Learning for Spoof Detection [5.549602650463701]
  スポット検出はASVシステムの信頼性を高めるが、チャネルの変動により著しく低下する。 MCTに最適なデータ供給戦略は何か?スプーフ検出では分かっていない。 本研究は、データ供給とミニバッチの低重要度プロセスが、より良いパフォーマンスのために改善する必要性の認識を高めることの関連性を強調した。
  論文  参考訳（メタデータ） (2021-09-30T07:56:16Z)
• Unsupervised and self-adaptative techniques for cross-domain person re-identification [82.54691433502335]
  非重複カメラにおける人物再識別(ReID)は難しい課題である。 Unsupervised Domain Adaptation(UDA)は、ソースで訓練されたモデルから、IDラベルアノテーションなしでターゲットドメインへの機能学習適応を実行するため、有望な代替手段です。 本稿では,新しいオフライン戦略によって生成されたサンプルのトリプレットを利用する,UDAベースのReID手法を提案する。
  論文  参考訳（メタデータ） (2021-03-21T23:58:39Z)

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。