論文の概要: Empirical Evidences for the Effects of Feature Diversity in Open Set Recognition and Continual Learning

• arxiv url: http://arxiv.org/abs/2508.13005v1
• Date: Mon, 18 Aug 2025 15:25:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-19 14:49:11.447506
• Title: Empirical Evidences for the Effects of Feature Diversity in Open Set Recognition and Continual Learning
• Title（参考訳）: 開集合認識と連続学習における特徴多様性の効果に関する実証的エビデンス
• Authors: Jiawen Xu, Odej Kao,
• Abstract要約: 特徴多様性の向上が開集合標本の認識を改善するという実証的証拠を提供する。 機能の多様性の向上は、前もって学んだデータの保持と、継続的な学習における新しいデータの統合を促進する。
• 参考スコア（独自算出の注目度）: 4.278434830731282
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Open set recognition (OSR) and continual learning are two critical challenges in machine learning, focusing respectively on detecting novel classes at inference time and updating models to incorporate the new classes. While many recent approaches have addressed these problems, particularly OSR, by heuristically promoting feature diversity, few studies have directly examined the role that feature diversity plays in tackling them. In this work, we provide empirical evidence that enhancing feature diversity improves the recognition of open set samples. Moreover, increased feature diversity also facilitates both the retention of previously learned data and the integration of new data in continual learning. We hope our findings can inspire further research into both practical methods and theoretical understanding in these domains.
• Abstract（参考訳）: オープンセット認識(OSR)と継続学習(Continuous learning)は、それぞれ推論時に新しいクラスを検出し、新しいクラスを組み込むモデルを更新していくことに焦点を当て、機械学習における2つの重要な課題である。 最近の多くのアプローチ、特にOSRは、特徴多様性をヒューリスティックに促進することでこれらの問題に対処しているが、特徴多様性がそれに取り組む上で果たす役割を直接的に検討する研究はほとんどない。 本研究では,特徴多様性の向上が開集合標本の認識を改善するという実証的証拠を提供する。 さらに,特徴量の増大は,学習前のデータの保持と継続学習における新たなデータの統合を促進させる。 これらの領域における実践的手法と理論的理解の両方について、我々の発見がさらなる研究を促すことを願っている。

関連論文リスト

• Incrementally Learning Multiple Diverse Data Domains via Multi-Source Dynamic Expansion Model [16.035374682124846]
  継続学習は、事前知識を維持しつつ、新たな情報を漸進的に同化できるモデルの開発を目指している。 本稿では,複数の異なるドメインから抽出されたデータサンプルを特徴とする,より複雑で現実的な学習環境に焦点を移す。
  論文  参考訳（メタデータ） (2025-01-15T15:49:46Z)
• Out-Of-Distribution Detection with Diversification (Provably) [75.44158116183483]
  機械学習モデルの信頼性確保には、アウト・オブ・ディストリビューション(OOD)検出が不可欠である。 近年の進歩は、トレーニングにおいて容易にアクセス可能な補助的外れ値(例えば、Webや他のデータセットのデータ)を活用することに焦点を当てている。 本稿では,OOD検出のためのダイバーシティ誘導混合法(diversity-induced Mixup for OOD detection,diverseMix)を提案する。
  論文  参考訳（メタデータ） (2024-11-21T11:56:32Z)
• Know Yourself Better: Diverse Discriminative Feature Learning Improves Open Set Recognition [1.386950208583845]
  我々は,特徴多様性の側面に着目したオープンセット認識手法の解析を行う。 本研究は,多様な識別特徴の学習とOSR性能の向上との間に有意な相関関係があることを明らかにする。 特徴多様性の利点を生かしたOSR手法を提案する。
  論文  参考訳（メタデータ） (2024-04-16T08:08:47Z)
• A Unified and General Framework for Continual Learning [58.72671755989431]
  継続学習(CL)は、以前取得した知識を維持しながら、動的かつ変化するデータ分布から学ぶことに焦点を当てている。 正規化ベース、ベイズベース、メモリ再生ベースなど、破滅的な忘れ込みの課題に対処する様々な手法が開発されている。 本研究の目的は,既存の方法論を包含し,整理する包括的かつ包括的な枠組みを導入することで,このギャップを埋めることである。
  論文  参考訳（メタデータ） (2024-03-20T02:21:44Z)
• Variance-Covariance Regularization Improves Representation Learning [28.341622247252705]
  我々は,分散共分散正規化(VCReg)を導入して,自己教師型学習規則化手法を教師型学習コンテキストに適用する。 我々は、VCRegが画像やビデオの転送学習を大幅に強化し、多数のタスクやデータセットで最先端のパフォーマンスを達成することを実証した。 要約すると、VCRegは、転送学習を大幅に進歩させ、勾配飢餓、神経崩壊、特徴伝達可能性の間の接続を強調する、普遍的に適用可能な正規化フレームワークを提供する。
  論文  参考訳（メタデータ） (2023-06-23T05:01:02Z)
• A Domain-Agnostic Approach for Characterization of Lifelong Learning Systems [128.63953314853327]
  「生涯学習」システムには,1)継続的学習,2)伝達と適応,3)拡張性があります。 この一連のメトリクスは、様々な複雑な生涯学習システムの開発に役立てることができることを示す。
  論文  参考訳（メタデータ） (2023-01-18T21:58:54Z)
• L2Explorer: A Lifelong Reinforcement Learning Assessment Environment [49.40779372040652]
  強化学習ソリューションは、トレーニングされたデータ配布以外の新しいタスクに晒されると、あまり一般化しない傾向があります。 生涯学習エクスプローラー(L2Explorer)を用いた継続的強化学習開発と評価のための枠組みを導入する。 L2Explorerは新しいUnityベースのファーストパーソンな3D探索環境で、複雑な評価カリキュラムに構造化されたタスクやタスクのバリエーションを生成するために継続的に再構成することができる。
  論文  参考訳（メタデータ） (2022-03-14T19:20:26Z)
• Continual Novelty Detection [37.43667292607965]
  連続学習は新規性検出アルゴリズムの動作に影響を及ぼし、新規性検出は連続学習者の動作に関する洞察を特定できることを示す。 この2つの問題の結合は、ビジョンモデルを実践するための有望な方向であると考えています。
  論文  参考訳（メタデータ） (2021-06-24T12:30:41Z)
• Spectrum-Guided Adversarial Disparity Learning [52.293230153385124]
  本稿では,新たなエンド・ツー・エンドの知識指向学習フレームワークを提案する。 2つの競合符号化分布を用いてクラス条件付きクラス内不一致を表現し、学習された不一致を識別することで精製された潜伏符号を学習する。 4つのHARベンチマークデータセットに対する実験により,提案手法の頑健性と,最先端の手法による一般化が実証された。
  論文  参考訳（メタデータ） (2020-07-14T05:46:27Z)
• Heterogeneous Representation Learning: A Review [66.12816399765296]
  不均一表現学習(HRL)には、いくつかの独特な課題がある。 異種入力を用いて既存の学習環境をモデル化可能な統合学習フレームワークを提案する。 HRLでは触れられていない課題と今後の研究方向性を強調します。
  論文  参考訳（メタデータ） (2020-04-28T05:12:31Z)

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。