論文の概要: MemEvo: Memory-Evolving Incremental Multi-view Clustering

• arxiv url: http://arxiv.org/abs/2509.14544v1
• Date: Thu, 18 Sep 2025 02:21:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-19 17:26:53.025753
• Title: MemEvo: Memory-Evolving Incremental Multi-view Clustering
• Title（参考訳）: MemEvo: メモリ進化型インクリメンタルなマルチビュークラスタリング
• Authors: Zisen Kong, Bo Zhong, Pengyuan Li, Dongxia Chang, Yiming Wang,
• Abstract要約: インクリメンタル・マルチビュー・クラスタリングは、インクリメンタル・ビューにおける安定性・可塑性ジレンマ(SPD)に対処しながら、安定したクラスタリング結果を達成することを目的としている。 神経科学における海馬前頭前野協調記憶機構に着想を得て,このバランスを実現するための記憶-進化的インクリメンタル・マルチビュー・クラスタリング法(MemEvo)を提案する。
• 参考スコア（独自算出の注目度）: 7.966503230196111
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Incremental multi-view clustering aims to achieve stable clustering results while addressing the stability-plasticity dilemma (SPD) in incremental views. At the core of SPD is the challenge that the model must have enough plasticity to quickly adapt to new data, while maintaining sufficient stability to consolidate long-term knowledge and prevent catastrophic forgetting. Inspired by the hippocampal-prefrontal cortex collaborative memory mechanism in neuroscience, we propose a Memory-Evolving Incremental Multi-view Clustering method (MemEvo) to achieve this balance. First, we propose a hippocampus-inspired view alignment module that captures the gain information of new views by aligning structures in continuous representations. Second, we introduce a cognitive forgetting mechanism that simulates the decay patterns of human memory to modulate the weights of historical knowledge. Additionally, we design a prefrontal cortex-inspired knowledge consolidation memory module that leverages temporal tensor stability to gradually consolidate historical knowledge. By integrating these modules, MemEvo achieves strong knowledge retention capabilities in scenarios with a growing number of views. Extensive experiments demonstrate that MemEvo exhibits remarkable advantages over existing state-of-the-art methods.
• Abstract（参考訳）: インクリメンタル・マルチビュー・クラスタリングは、インクリメンタル・ビューにおける安定性・可塑性ジレンマ(SPD)に対処しながら、安定したクラスタリング結果を達成することを目的としている。 SPDの核心は、モデルが新しいデータに迅速に適応できる十分な可塑性を持ちながら、長期的知識の統合と破滅的な忘れの防止に十分な安定性を維持しなければならないことである。 神経科学における海馬前頭前野協調記憶機構に着想を得て,このバランスを実現するための記憶-進化的インクリメンタル・マルチビュー・クラスタリング法(MemEvo)を提案する。 まず,海馬にインスパイアされたビューアライメントモジュールを提案する。 第2に、人間の記憶の減衰パターンをシミュレートし、歴史的知識の重みを変調する認知的忘れ機構を導入する。 さらに、時間的テンソル安定性を利用して、歴史知識を徐々に統合する前頭前皮質誘発知識統合メモリモジュールを設計する。 これらのモジュールを統合することで、MemEvoは多数のビューを持つシナリオにおける強力な知識保持機能を実現する。 大規模な実験により、MemEvoは既存の最先端手法よりも顕著な優位性を示した。

関連論文リスト

• Continual Learning in Vision-Language Models via Aligned Model Merging [84.47520899851557]
  塑性を保ちながら安定性を維持するために,モデルマージに基づく新しい視点を提案する。 マージプロセスの有効性を最大化するために,従来のものと一致した重みの学習を促進するシンプルなメカニズムを提案する。
  論文  参考訳（メタデータ） (2025-05-30T20:52:21Z)
• Long-Context State-Space Video World Models [66.28743632951218]
  本稿では、状態空間モデル(SSM)を活用して、計算効率を損なうことなく時間記憶を拡張する新しいアーキテクチャを提案する。 我々の設計の中心はブロックワイズSSMスキャン方式であり、時間記憶の拡張のために空間整合性を戦略的にトレードオフする。 メモリ迷路とMinecraftのデータセットの実験は、我々のアプローチが長距離メモリ保存のベースラインを超えたことを示している。
  論文  参考訳（メタデータ） (2025-05-26T16:12:41Z)
• Exploring Synaptic Resonance in Large Language Models: A Novel Approach to Contextual Memory Integration [0.0]
  新しいメカニズム、Synaptic Resonanceは、トレーニングと推論中に関連する記憶経路を動的に強化するために導入された。 オープンソースの言語モデルを用いて行った評価は、パープレキシティの低減、文脈的コヒーレンスの向上、入力雑音に対するロバスト性の向上を示す。
  論文  参考訳（メタデータ） (2025-02-15T07:06:10Z)
• Stable Hadamard Memory: Revitalizing Memory-Augmented Agents for Reinforcement Learning [64.93848182403116]
  現在のディープラーニングメモリモデルは、部分的に観察可能で長期にわたる強化学習環境で苦労している。 本稿では,強化学習エージェントのための新しい記憶モデルであるStable Hadamard Memoryを紹介する。 我々の手法は、部分的に観測可能なベンチマークに挑戦する上で、最先端のメモリベースの手法よりも大幅に優れています。
  論文  参考訳（メタデータ） (2024-10-14T03:50:17Z)
• Incorporating Neuro-Inspired Adaptability for Continual Learning in Artificial Intelligence [59.11038175596807]
  継続的な学習は、現実世界に強い適応性を持つ人工知能を強化することを目的としている。 既存の進歩は主に、破滅的な忘れを克服するために記憶安定性を維持することに焦点を当てている。 本稿では,学習の可塑性を改善するため,パラメータ分布の古い記憶を適切に減衰させる汎用的手法を提案する。
  論文  参考訳（メタデータ） (2023-08-29T02:43:58Z)
• Learning Multiscale Consistency for Self-supervised Electron Microscopy Instance Segmentation [48.267001230607306]
  本稿では,EMボリュームのマルチスケール一貫性を高める事前学習フレームワークを提案する。 当社のアプローチでは,強力なデータ拡張と弱いデータ拡張を統合することで,Siameseネットワークアーキテクチャを活用している。 効果的にボクセルと機能の一貫性をキャプチャし、EM分析のための転送可能な表現を学習する。
  論文  参考訳（メタデータ） (2023-08-19T05:49:13Z)
• Lifelong Person Re-Identification via Knowledge Refreshing and Consolidation [35.43406281230279]
  Lifelong person re-identification (LReID)の鍵となる課題は、古い知識を段階的に保存し、徐々に新しい能力をシステムに追加する方法である。 体性感覚性新皮質と海馬が協調して記憶統合を行う人間の認知の生物学的過程に着想を得て,我々は知識リフレッシュ・アンド・コンソリデーション(KRC)と呼ばれるモデルを構築した。 より具体的には、双方向の知識伝達を可能にするための知識リフレッシュ方式に知識リハーサル機構が組み込まれている。
  論文  参考訳（メタデータ） (2022-11-29T13:39:45Z)
• Learning an evolved mixture model for task-free continual learning [11.540150938141034]
  タスク自由連続学習(TFCL)では,非定常データストリーム上で,明示的なタスク情報を持たないモデルを訓練する。 メモリ過負荷を回避するため,記憶されているサンプルを選択的に削除する2つの単純なドロップアウト機構を導入する。
  論文  参考訳（メタデータ） (2022-07-11T16:01:27Z)

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。