論文の概要: Hyperbolic Coarse-to-Fine Few-Shot Class-Incremental Learning
- arxiv url: http://arxiv.org/abs/2509.18504v1
- Date: Tue, 23 Sep 2025 01:12:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-24 20:41:27.630857
- Title: Hyperbolic Coarse-to-Fine Few-Shot Class-Incremental Learning
- Title（参考訳）: 双曲的粗大/短小のクラスインクリメンタルラーニング
- Authors: Jiaxin Dai, Xiang Xiang,
- Abstract要約: この研究は、C2FSCIL(Coarse-To-Fine Few-Shot Class-Incremental Learning)タスクに焦点を当てている。
粗粒度」パラダイムをよりよく解釈するために,特徴抽出器を双曲空間に埋め込む手法を提案する。
C2FSCILベンチマーク実験により,提案手法は粗さと細かなクラス精度の両方を効果的に改善することが示された。
- 参考スコア（独自算出の注目度）: 6.461974916262412
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the field of machine learning, hyperbolic space demonstrates superior representation capabilities for hierarchical data compared to conventional Euclidean space. This work focuses on the Coarse-To-Fine Few-Shot Class-Incremental Learning (C2FSCIL) task. Our study follows the Knowe approach, which contrastively learns coarse class labels and subsequently normalizes and freezes the classifier weights of learned fine classes in the embedding space. To better interpret the "coarse-to-fine" paradigm, we propose embedding the feature extractor into hyperbolic space. Specifically, we employ the Poincar\'e ball model of hyperbolic space, enabling the feature extractor to transform input images into feature vectors within the Poincar\'e ball instead of Euclidean space. We further introduce hyperbolic contrastive loss and hyperbolic fully-connected layers to facilitate model optimization and classification in hyperbolic space. Additionally, to enhance performance under few-shot conditions, we implement maximum entropy distribution in hyperbolic space to estimate the probability distribution of fine-class feature vectors. This allows generation of augmented features from the distribution to mitigate overfitting during training with limited samples. Experiments on C2FSCIL benchmarks show that our method effectively improves both coarse and fine class accuracies.
- Abstract（参考訳）: 機械学習の分野では、双曲空間は従来のユークリッド空間と比較して階層データに対する優れた表現能力を示す。
この研究は、C2FSCIL(Coarse-To-Fine Few-Shot Class-Incremental Learning)タスクに焦点を当てている。
我々の研究は、粗いクラスラベルを対照的に学習し、次に正規化し、埋め込み空間における学習された微細クラスの分類器重みを凍結するKnoweアプローチに従う。
粗粒度」パラダイムをよりよく解釈するために,特徴抽出器を双曲空間に埋め込む手法を提案する。
具体的には、双曲空間のポインカーボールモデルを用いて、特徴抽出器はユークリッド空間の代わりに入力画像をポインカーボール内の特徴ベクトルに変換することができる。
さらに、双曲空間におけるモデル最適化と分類を容易にするために、双曲的コントラスト損失と双曲的完全連結層を導入する。
さらに,数ショット条件下での性能向上を目的として,双曲空間における最大エントロピー分布を実装し,微細な特徴ベクトルの確率分布を推定する。
これにより、限られたサンプルでトレーニング中のオーバーフィッティングを軽減するために、分散から強化された機能を生成することができる。
C2FSCILベンチマーク実験により,提案手法は粗さと細かなクラス精度の両方を効果的に改善することが示された。
関連論文リスト
- Hyperbolic Dual Feature Augmentation for Open-Environment [41.23999800250096]
本稿では,双曲型空間における双曲型特徴量拡張手法を提案し,双曲型特徴量拡張手法を提案する。
本手法は,オープン環境における双曲型アルゴリズムの性能を効果的に向上させる。
論文 参考訳（メタデータ） (2025-06-10T15:34:09Z) - Machine Unlearning in Hyperbolic vs. Euclidean Multimodal Contrastive Learning: Adapting Alignment Calibration to MERU [50.9588132578029]
本稿では,双曲型コントラスト学習における機械学習について検討する。
我々は、画像とテキストを双曲空間に埋め込んだモデルであるMERUにアライメントを適用し、セマンティック階層をよりよくキャプチャする。
提案手法では,双曲空間の特異性を利用したエンテーメントキャリブレーションやノルム正規化など,双曲特異成分を導入している。
論文 参考訳（メタデータ） (2025-03-19T12:47:37Z) - Understanding and Mitigating Hyperbolic Dimensional Collapse in Graph Contrastive Learning [70.0681902472251]
双曲空間における高品質グラフ埋め込みを学習するための新しいコントラスト学習フレームワークを提案する。
具体的には、階層的なデータ不変情報を効果的にキャプチャするアライメントメトリックを設計する。
双曲空間において、木の性質に関連する葉と高さの均一性に対処する必要があることを示す。
論文 参考訳（メタデータ） (2023-10-27T15:31:42Z) - Hyperbolic vs Euclidean Embeddings in Few-Shot Learning: Two Sides of
the Same Coin [49.12496652756007]
この結果から, 共通の双曲半径での双曲埋め込みが達成できることが示唆された。
従来のベンチマーク結果とは対照的に、ユークリッド計量を備えた固定半径エンコーダにより、より良い性能が得られることを示す。
論文 参考訳（メタデータ） (2023-09-18T14:51:46Z) - HMSN: Hyperbolic Self-Supervised Learning by Clustering with Ideal
Prototypes [7.665392786787577]
プロトタイプに基づくクラスタリング手法の自己教師付き表現学習には,双曲表現空間を用いる。
我々はMasked Siamese Networksを拡張し、双曲空間のPoincar'eボールモデルで操作する。
従来の手法とは異なり、エンコーダネットワークの出力における双曲空間に投影し、双曲投影ヘッドを利用して、下流タスクに使用される表現が双曲的であることを保証する。
論文 参考訳（メタデータ） (2023-05-18T12:38:40Z) - HRCF: Enhancing Collaborative Filtering via Hyperbolic Geometric
Regularization [52.369435664689995]
HRCF (textitHyperbolic Regularization powered Collaborative Filtering) を導入し,幾何認識型双曲正規化器を設計する。
具体的には、ルートアライメントとオリジン認識ペナルティによる最適化手順を強化する。
提案手法は,双曲的凝集による過度な平滑化問題に対処でき,モデルの識別能力も向上する。
論文 参考訳（メタデータ） (2022-04-18T06:11:44Z) - Provably Accurate and Scalable Linear Classifiers in Hyperbolic Spaces [39.71927912296049]
スケーラブルで単純な双曲型線形分類器を学習するための統一的なフレームワークを提案する。
我々のアプローチの要点は、ポアンカーの球体モデルに焦点を合わせ、接空間形式を用いて分類問題を定式化することである。
Poincarの2階と戦略的パーセプトロンの優れた性能は、提案フレームワークが双曲空間における一般的な機械学習問題にまで拡張可能であることを示している。
論文 参考訳（メタデータ） (2022-03-07T21:36:21Z) - Highly Scalable and Provably Accurate Classification in Poincare Balls [40.82908295137667]
我々は、スケーラブルで単純な双曲型線形分類器を証明可能な性能保証で学習するための統一的なフレームワークを構築した。
提案手法は,新しい双曲型および二階型パーセプトロンアルゴリズムと,双曲型サポートベクトルマシン分類器の効率的かつ高精度な凸最適化設定を含む。
数百万の点からなる合成データセットと、シングルセルRNA-seq式測定、CIFAR10、Fashion-MNIST、mini-ImageNetのような複雑な実世界のデータセットの性能評価を行う。
論文 参考訳（メタデータ） (2021-09-08T16:59:39Z) - Robust Large-Margin Learning in Hyperbolic Space [64.42251583239347]
ユークリッド空間ではなく双曲型で分類器を学ぶための最初の理論的保証を示す。
本研究では, 対向例の慎重な注入に頼って, 大面積超平面を効率よく学習するアルゴリズムを提案する。
双曲空間によく埋め込まれる階層的データに対して、低埋め込み次元は優れた保証を保証することを証明している。
論文 参考訳（メタデータ） (2020-04-11T19:11:30Z)
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。