論文の概要: Exploring and Leveraging Class Vectors for Classifier Editing

• arxiv url: http://arxiv.org/abs/2510.11268v1
• Date: Mon, 13 Oct 2025 10:57:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:30.32889
• Title: Exploring and Leveraging Class Vectors for Classifier Editing
• Title（参考訳）: 分類器編集のためのクラスベクトルの探索と活用
• Authors: Jaeik Kim, Jaeyoung Do,
• Abstract要約: 微調整中にクラス固有の表現調整をキャプチャするクラスベクトルを導入する。 タスクベクトルは重み空間のタスクレベル変化をエンコードするが、クラスベクトルは各クラス適応を潜在空間で切り離す。 クラスベクタが各クラスのセマンティックシフトをキャプチャし、これらのベクタに沿って潜在機能をステアリングするか、あるいはそれらを重み空間にマッピングして決定境界を更新することで、分類器の編集が実現できることを示す。
• 参考スコア（独自算出の注目度）: 6.328734263302503
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Image classifiers play a critical role in detecting diseases in medical imaging and identifying anomalies in manufacturing processes. However, their predefined behaviors after extensive training make post hoc model editing difficult, especially when it comes to forgetting specific classes or adapting to distribution shifts. Existing classifier editing methods either focus narrowly on correcting errors or incur extensive retraining costs, creating a bottleneck for flexible editing. Moreover, such editing has seen limited investigation in image classification. To overcome these challenges, we introduce Class Vectors, which capture class-specific representation adjustments during fine-tuning. Whereas task vectors encode task-level changes in weight space, Class Vectors disentangle each class's adaptation in the latent space. We show that Class Vectors capture each class's semantic shift and that classifier editing can be achieved either by steering latent features along these vectors or by mapping them into weight space to update the decision boundaries. We also demonstrate that the inherent linearity and orthogonality of Class Vectors support efficient, flexible, and high-level concept editing via simple class arithmetic. Finally, we validate their utility in applications such as unlearning, environmental adaptation, adversarial defense, and adversarial trigger optimization.
• Abstract（参考訳）: 画像分類器は、医療画像における疾患の検出と製造工程における異常の同定において重要な役割を担っている。 しかし、大規模なトレーニング後の彼らの事前定義された行動は、特に特定のクラスを忘れたり、分散シフトに適応することに関して、ポストホックモデルの編集を困難にしている。 既存の分類器編集手法は、エラーの修正や大幅な再訓練コストの増大に焦点を合わせ、フレキシブルな編集のボトルネックを生じさせる。 さらに、このような編集は画像分類において限定的な研究がなされている。 これらの課題を克服するために、クラスベクトルを導入し、微調整中にクラス固有の表現調整をキャプチャする。 タスクベクトルは重み空間のタスクレベル変化をエンコードするが、クラスベクトルは各クラス適応を潜在空間で切り離す。 クラスベクタが各クラスのセマンティックシフトをキャプチャし、これらのベクタに沿って潜在機能をステアリングするか、あるいはそれらを重み空間にマッピングして決定境界を更新することで、分類器の編集が実現できることを示す。 また,クラスベクトルの固有線型性と直交性は,単純なクラス演算による効率的な,柔軟な,高レベルな概念編集をサポートすることを示した。 最後に, 未学習, 環境適応, 敵防御, 敵トリガ最適化などの応用において, それらの実用性を検証した。

関連論文リスト

• Towards Fine-Grained Adaptation of CLIP via a Self-Trained Alignment Score [11.74414842618874]
  適応中の微粒な相互モーダル相互作用をモデル化すると、より正確でクラス別な擬似ラベルが得られることを示す。 局所化画像特徴と記述言語埋め込みとを動的に整合させる革新的なアプローチであるFAIR(ファインフルアライメント・アンド・インタラクション・リファインメント)を導入する。 当社のアプローチであるFAIRは、きめ細かな教師なし適応において大幅なパフォーマンス向上を実現し、2.78%という顕著な全体的な向上を実現しています。
  論文  参考訳（メタデータ） (2025-07-13T12:38:38Z)
• REACT: Representation Extraction And Controllable Tuning to Overcome Overfitting in LLM Knowledge Editing [42.89229070245538]
  本稿では,正確かつ制御可能な知識編集のためのフレームワークであるREACTを紹介する。 最初の段階では、調整された刺激を用いて、潜在的な事実表現を抽出する。 第2段階では,大小スカラーのベクトルを用いて,制御可能な摂動を隠蔽状態に適用する。
  論文  参考訳（メタデータ） (2025-05-25T01:57:06Z)
• Generalize Your Face Forgery Detectors: An Insertable Adaptation Module Is All You Need [3.5424095074777533]
  オンライン未ラベルテストデータのみを用いて、トレーニング済みオフザシェルフ検出器を適応できる挿入可能な適応モジュールを導入する。 具体的には、まず、改訂された特徴とプロトタイプから予測を生成する学習可能なクラスプロトタイプベース分類器を提案する。 また、予測精度をさらに向上し、自己学習中のノイズの多い擬似ラベルの影響を低減するため、最も近い特徴校正器を提案する。
  論文  参考訳（メタデータ） (2024-12-30T08:48:04Z)
• Versatile Teacher: A Class-aware Teacher-student Framework for Cross-domain Adaptation [2.9748058103007957]
  私たちはVersatile Teacher(VT)という新しい教師学生モデルを紹介します。 VTはクラス固有の検出困難を考慮し、2段階の擬似ラベル選択機構を用いてより信頼性の高い擬似ラベルを生成する。 提案手法は,3つのベンチマークデータセットに対して有望な結果を示し,広範に使用されている1段検出器のアライメント手法を拡張した。
  論文  参考訳（メタデータ） (2024-05-20T03:31:43Z)
• Anomaly Detection using Ensemble Classification and Evidence Theory [62.997667081978825]
  本稿では,アンサンブル分類とエビデンス理論を用いた新しい検出手法を提案する。 固体アンサンブル分類器を構築するためのプール選択戦略が提示される。 我々は異常検出手法の不確実性を利用する。
  論文  参考訳（メタデータ） (2022-12-23T00:50:41Z)
• Location-Aware Self-Supervised Transformers [74.76585889813207]
  画像部品の相対的な位置を予測し,セマンティックセグメンテーションのためのネットワークを事前訓練する。 参照パッチのサブセットを問合せのサブセットにマスキングすることで,タスクの難しさを制御します。 実験により,この位置認識事前学習が,いくつかの難解なセマンティックセグメンテーションベンチマークに競合する表現をもたらすことが示された。
  論文  参考訳（メタデータ） (2022-12-05T16:24:29Z)
• Towards Counterfactual Image Manipulation via CLIP [106.94502632502194]
  既存の方法は、顔画像の年齢や性別など、さまざまな視覚特性をリアルに編集することができる。 コントラスト・ランゲージ・イメージ・プレトレーニング(CLIP)を用いたテキスト駆動方式でこの問題を考察する。 定義済みのCLIP空間の方向を利用して、異なる視点から所望の方向に向けて編集を誘導する新しいコントラスト損失を設計する。
  論文  参考訳（メタデータ） (2022-07-06T17:02:25Z)
• Prototypical Classifier for Robust Class-Imbalanced Learning [64.96088324684683]
  埋め込みネットワークに付加的なパラメータを必要としないtextitPrototypealを提案する。 プロトタイプは、訓練セットがクラス不均衡であるにもかかわらず、すべてのクラスに対してバランスと同等の予測を生成する。 我々は, CIFAR-10LT, CIFAR-100LT, Webvision のデータセットを用いて, プロトタイプが芸術の状況と比較した場合, サブスタンスの改善が得られることを検証した。
  論文  参考訳（メタデータ） (2021-10-22T01:55:01Z)
• Learning a Domain Classifier Bank for Unsupervised Adaptive Object Detection [48.19258721979389]
  本稿では,ディープネットワークに基づく物体検出のための細粒度領域アライメント手法を提案する。 そこで我々は,適応検出器として細粒度領域アライメント機構を備えた素物体検出器を開発した。 3つの一般的な転送ベンチマーク実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-07-06T09:12:46Z)

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。