論文の概要: DDP: Dual-Decoupled Prompting for Multi-Label Class-Incremental Learning

• arxiv url: http://arxiv.org/abs/2509.23335v1
• Date: Sat, 27 Sep 2025 14:39:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.168943
• Title: DDP: Dual-Decoupled Prompting for Multi-Label Class-Incremental Learning
• Title（参考訳）: DDP:マルチラベルクラスインクリメンタルラーニングのためのデュアルデカップリングプロンプト
• Authors: Kaile Du, Zihan Ye, Junzhou Xie, Fan Lyu, Yixi Shen, Yuyang Li, Miaoxuan Zhu, Fuyuan Hu, Ling Shao, Guangcan Liu,
• Abstract要約: 本稿では、クラス増分学習のためのリプレイフリーでパラメータ効率の高いフレームワークとして、DDP(Dual-Decoupled Prompting)を提案する。 DDPは、部分的なラベル付けによる共起カテゴリと真負の偽陽性の混乱からのセマンティックな混乱に対処する。 これはMS-COCO B40-C10ベンチマークで80% mAP と 70% F1 を超える最初のリプレイフリー MLCIL アプローチである。
• 参考スコア（独自算出の注目度）: 37.76339545010501
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Prompt-based methods have shown strong effectiveness in single-label class-incremental learning, but their direct extension to multi-label class-incremental learning (MLCIL) performs poorly due to two intrinsic challenges: semantic confusion from co-occurring categories and true-negative-false-positive confusion caused by partial labeling. We propose Dual-Decoupled Prompting (DDP), a replay-free and parameter-efficient framework that explicitly addresses both issues. DDP assigns class-specific positive-negative prompts to disentangle semantics and introduces Progressive Confidence Decoupling (PCD), a curriculum-inspired decoupling strategy that suppresses false positives. Past prompts are frozen as knowledge anchors, and interlayer prompting enhances efficiency. On MS-COCO and PASCAL VOC, DDP consistently outperforms prior methods and is the first replay-free MLCIL approach to exceed 80% mAP and 70% F1 under the standard MS-COCO B40-C10 benchmark.
• Abstract（参考訳）: Prompt-based method has shown strong effect in single-label class-incremental learning, their direct extension to multi-label class-incremental learning (MLCIL) because intrinsic challenges: semantic confusion from co-occurring category and true- negative-false- positive confusion caused by partial labeling。 両問題に明示的に対処するリプレイフリーでパラメータ効率のよいフレームワークであるDDPを提案する。 DDPは、クラス固有の正負のプロンプトをアンタングル意味論に割り当て、偽陽性を抑制するカリキュラムにインスパイアされたデカップリング戦略であるプログレッシブ信頼疎結合(PCD)を導入する。 過去のプロンプトは知識アンカーとして凍結され、層間プロンプトは効率を高める。 MS-COCOとPASCAL VOCでは、DDPは従来手法より一貫して優れており、MS-COCO B40-C10ベンチマークで80%のmAPと70%のF1を超えるリプレイフリーMLCILアプローチである。

関連論文リスト

• FDBPL: Faster Distillation-Based Prompt Learning for Region-Aware Vision-Language Models Adaptation [17.51747913191231]
  大規模なtextbfFaster large textbfDistillation-large textbfBased large textbfPrompt large textbfLL (textbfFDBPL) を提案する。 複数のトレーニングステージにまたがってソフトな監視コンテキストを共有し、アクセラレーションされたI/Oを実装することで、問題に対処する。11データセットにわたる包括的な評価は、ベース・ツー・ニューな一般化、クロス・データセットの転送、ロバストネステストにおいて優れたパフォーマンスを示し、より高速なトレーニング速度で2.2倍の速さで達成する。
  論文  参考訳（メタデータ） (2025-05-23T15:57:16Z)
• Dual-Label Learning With Irregularly Present Labels [15.701169587084047]
  マルチタスク学習では、ラベルはサンプル間で不規則に欠落することが多く、完全なラベル付け、部分的にラベル付け、ラベル付けが可能である。 本研究は,2ラベル学習に焦点をあて,新たなトレーニングおよび推論フレームワークであるDual-DLL Learning (DLL)を提案する。 DLLは、ラベル間の明示的な情報交換を可能にするデュアルトウワーモデルアーキテクチャを備えており、部分的に利用可能なラベルの有用性を最大化することを目的としている。
  論文  参考訳（メタデータ） (2024-10-18T11:07:26Z)
• Enhancing Visual Continual Learning with Language-Guided Supervision [76.38481740848434]
  継続的な学習は、モデルが以前獲得した知識を忘れずに新しいタスクを学習できるようにすることを目的としている。 ワンホットラベルが伝達する少ない意味情報は,タスク間の効果的な知識伝達を妨げている,と我々は主張する。 具体的には, PLM を用いて各クラスのセマンティックターゲットを生成し, 凍結し, 監視信号として機能する。
  論文  参考訳（メタデータ） (2024-03-24T12:41:58Z)
• Appeal: Allow Mislabeled Samples the Chance to be Rectified in Partial Label Learning [55.4510979153023]
  部分ラベル学習(PLL)では、各インスタンスは候補ラベルのセットに関連付けられ、そのうち1つだけが接地真実である。 誤記されたサンプルの「アペアル」を支援するため,最初の魅力に基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-18T09:09:52Z)
• D2CSE: Difference-aware Deep continuous prompts for Contrastive Sentence Embeddings [3.04585143845864]
  本稿では,文の埋め込みを学習するコントラスト型文埋め込み(D2CSE)のための差分認識型深部連続プロンプトについて述べる。 最先端のアプローチと比較して、D2CSEは類似した文の微妙な違いを区別する例外的な文ベクトルを計算する。
  論文  参考訳（メタデータ） (2023-04-18T13:45:07Z)
• Unreliable Partial Label Learning with Recursive Separation [44.901941653899264]
  信頼できない部分ラベル学習(UPLL)が提案され、真のラベルが候補ラベルセットに含まれない可能性がある。 再帰分離を伴う信頼できない部分ラベル学習(UPLLRS)という2段階のフレームワークを提案する。 本手法は,実験結果によって実証された最先端性能を示す。
  論文  参考訳（メタデータ） (2023-02-20T10:39:31Z)
• Provably Consistent Partial-Label Learning [120.4734093544867]
  部分ラベル学習 (Partial-label Learning, PLL) は多クラス分類問題である。 本稿では,候補ラベル集合の第1世代モデルを提案し,一貫性が保証される2つの新しい手法を開発する。 ベンチマークおよび実世界のデータセットの実験は、提案した生成モデルの有効性と2つの方法の有効性を検証する。
  論文  参考訳（メタデータ） (2020-07-17T12:19:16Z)

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。