論文の概要: OpenHAIV: A Framework Towards Practical Open-World Learning

• arxiv url: http://arxiv.org/abs/2508.07270v1
• Date: Sun, 10 Aug 2025 09:55:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:28.783721
• Title: OpenHAIV: A Framework Towards Practical Open-World Learning
• Title（参考訳）: OpenHAIV: 実践的なオープンワールドラーニングを目指すフレームワーク
• Authors: Xiang Xiang, Qinhao Zhou, Zhuo Xu, Jing Ma, Jiaxin Dai, Yifan Liang, Hanlin Li,
• Abstract要約: 本稿では,オープンワールド認識のための新しいフレームワークであるOpenHAIVを提案する。 OOD検出、新しいクラスディスカバリ、インクリメンタルな微調整を統合パイプラインに統合する。 このフレームワークは、オープンワールド環境における知識を自律的に取得し、更新することを可能にする。
• 参考スコア（独自算出の注目度）: 15.287155720966998
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Substantial progress has been made in various techniques for open-world recognition. Out-of-distribution (OOD) detection methods can effectively distinguish between known and unknown classes in the data, while incremental learning enables continuous model knowledge updates. However, in open-world scenarios, these approaches still face limitations. Relying solely on OOD detection does not facilitate knowledge updates in the model, and incremental fine-tuning typically requires supervised conditions, which significantly deviate from open-world settings. To address these challenges, this paper proposes OpenHAIV, a novel framework that integrates OOD detection, new class discovery, and incremental continual fine-tuning into a unified pipeline. This framework allows models to autonomously acquire and update knowledge in open-world environments. The proposed framework is available at https://haiv-lab.github.io/openhaiv .
• Abstract（参考訳）: オープンワールド認識のための様々な技術で実質的な進歩がなされている。 アウト・オブ・ディストリビューション(OOD)検出手法は、データ内の既知のクラスと未知のクラスを効果的に識別し、インクリメンタルラーニングは継続的なモデル知識更新を可能にする。 しかし、オープンワールドのシナリオでは、これらのアプローチは依然として制限に直面している。 OOD検出のみにのみ依存することは、モデルの知識更新を促進するものではなく、インクリメンタルな微調整には典型的に教師付き条件が必要であり、これはオープンワールドの設定から著しく逸脱する。 これらの課題に対処するために、OOD検出、新しいクラス発見、インクリメンタルな微調整を統合パイプラインに統合する新しいフレームワークであるOpenHAIVを提案する。 このフレームワークは、オープンワールド環境における知識を自律的に取得し、更新することを可能にする。 提案されたフレームワークはhttps://haiv-lab.github.io/openhaiv で公開されている。

関連論文リスト

• Integration of Old and New Knowledge for Generalized Intent Discovery: A Consistency-driven Prototype-Prompting Framework [49.60947755616314]
  Generalized Intent Discovery (GID)は、未ラベルのOODデータを活用して、追加のアノテーションなしで新しいインテントを発見することで、この問題に対処する。 本稿では,古知識と新知識の統合の観点から,GIDのための一貫性駆動型プロトタイプ・プロンプトフレームワークを提案する。 提案手法は,すべてのベースライン法を著しく上回り,最先端の結果が得られている。
  論文  参考訳（メタデータ） (2025-06-10T06:30:17Z)
• Improving Open-world Continual Learning under the Constraints of Scarce Labeled Data [19.168022702075774]
  Openworld Continual Learning (OWCL)は、オープンサンプルによるシーケンシャルなタスクに適応し、忘れることを防ぐと同時に、知識を漸進的に学習する。 本稿では,(1)サンプル表現を付加的な知識で表現・強化するインスタンスワイドトークン拡張(ITA),(2)新しいタスクによるオープンな検出を支援するマージンベースのオープンバウンダリ(MOB),(3)未知を未知から未知に更新する知識を持つ適応的知識空間(AKS)の3つの重要なコンポーネントを統合する新しいOFCLフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-28T11:39:18Z)
• Deep Active Learning in the Open World [13.2318584850986]
  オープンワールドのシナリオにデプロイされた機械学習モデルは、よく馴染みのない状況に遭遇し、予期しない状況でうまく機能しない。 我々は、新しいOODクラスを組み込むことで、モデル適応性を高めるように設計されたオープンワールド環境のための新しい能動的学習アルゴリズムであるALOEを紹介する。 以上の結果から,既知のクラスのパフォーマンス向上と新たなクラス発見との重大なトレードオフが明らかとなり,オープンワールド機械学習の進歩のステージが整った。
  論文  参考訳（メタデータ） (2024-11-10T04:04:20Z)
• Open-world machine learning: A review and new outlooks [117.33922838201993]
  オープンワールド機械学習の全体像を論じる。 未知の拒絶、新奇な発見、継続的な学習を調査する。 これは研究者がそれぞれの分野でより強力なAIシステムを構築するのを助けることを目的としている。
  論文  参考訳（メタデータ） (2024-03-04T06:25:26Z)
• Detecting and Learning Out-of-Distribution Data in the Open world: Algorithm and Theory [15.875140867859209]
  この論文は、特にオープンワールドシナリオのコンテキストにおいて、機械学習の領域に貢献する。 オープンワールド機械学習に不可欠な2つの段階:アウト・オブ・ディストリビューション(OOD)検出とオープンワールド表現学習(ORL)
  論文  参考訳（メタデータ） (2023-10-10T00:25:21Z)
• Bayesian Embeddings for Few-Shot Open World Recognition [60.39866770427436]
  埋め込みベースの数ショット学習アルゴリズムをオープンワールド認識設定に拡張する。 当社のフレームワークは,MiniImageNetとTieredImageNetによる数ショット学習データセットのオープンワールド拡張をベンチマークする。
  論文  参考訳（メタデータ） (2021-07-29T00:38:47Z)

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。