論文の概要: IPEC: Test-Time Incremental Prototype Enhancement Classifier for Few-Shot Learning

• arxiv url: http://arxiv.org/abs/2601.11669v1
• Date: Fri, 16 Jan 2026 02:10:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.271417
• Title: IPEC: Test-Time Incremental Prototype Enhancement Classifier for Few-Shot Learning
• Title（参考訳）: IPEC:Few-Shot Learningのためのテスト時間インクリメンタルプロトタイプ拡張分類器
• Authors: Wenwen Liao, Hang Ruan, Jianbo Yu, Xiaofeng Yang, Qingchao Jiang, Xuefeng Yan,
• Abstract要約: メトリックベースの数ショットアプローチは、比較的単純な実装、高い解釈能力、計算効率のために大きな人気を得ている。 Incrmental Prototype Enhancement (IPEC)と呼ばれる新しいテストタイム手法を提案する。 本稿では,この手法をベイズ解釈に基礎を置き,サポートセットを事前と補助セットをデータ駆動後部として概念化し,実用的な「ウォームアップ・テスト」2段階推論プロトコルの設計を動機付ける。
• 参考スコア（独自算出の注目度）: 17.144931110395273
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Metric-based few-shot approaches have gained significant popularity due to their relatively straightforward implementation, high interpret ability, and computational efficiency. However, stemming from the batch-independence assumption during testing, which prevents the model from leveraging valuable knowledge accumulated from previous batches. To address these challenges, we propose a novel test-time method called Incremental Prototype Enhancement Classifier (IPEC), a test-time method that optimizes prototype estimation by leveraging information from previous query samples. IPEC maintains a dynamic auxiliary set by selectively incorporating query samples that are classified with high confidence. To ensure sample quality, we design a robust dual-filtering mechanism that assesses each query sample based on both global prediction confidence and local discriminative ability. By aggregating this auxiliary set with the support set in subsequent tasks, IPEC builds progressively more stable and representative prototypes, effectively reducing its reliance on the initial support set. We ground this approach in a Bayesian interpretation, conceptualizing the support set as a prior and the auxiliary set as a data-driven posterior, which in turn motivates the design of a practical "warm-up and test" two-stage inference protocol. Extensive empirical results validate the superior performance of our proposed method across multiple few-shot classification tasks.
• Abstract（参考訳）: メトリックベースの数ショットアプローチは、比較的単純な実装、高い解釈能力、計算効率のために大きな人気を得ている。 しかし、テスト中のバッチ依存性の仮定に起因しているため、モデルは以前のバッチから蓄積した貴重な知識を活用することができない。 これらの課題に対処するために,既存のクエリサンプルからの情報を活用することで,プロトタイプ推定を最適化するテストタイム手法であるIncrmental Prototype Enhancement Classifier (IPEC)を提案する。 IPECは、高い信頼性で分類されたクエリサンプルを選択的に組み込むことにより、動的補助セットを維持している。 サンプルの品質を確保するために,グローバルな予測信頼度と局所的な識別能力の両方に基づいて,各クエリサンプルを評価する頑健な二重フィルタリング機構を設計する。 この補助セットをその後のタスクでサポートセットに集約することにより、IPECは徐々に安定して代表的なプロトタイプを構築し、初期サポートセットへの依存を効果的に軽減する。 本稿では,この手法をベイズ解釈に基礎を置き,サポートセットを事前として,補助セットをデータ駆動後部として概念化し,実用的な「ウォームアップ・テスト」2段階推論プロトコルの設計を動機付ける。 大規模な実験結果から,提案手法が複数ショットの分類タスクにまたがる優れた性能を検証した。

関連論文リスト

• Symmetric Aggregation of Conformity Scores for Efficient Uncertainty Sets [6.673032375204486]
  複数の予測器から非整合性スコアを集約する新しい手法であるSACP(Symmetric Aggregated Conformal Prediction)を提案する。 SACP はこれらのスコアを e-値に変換し、任意の対称アグリゲーション関数を用いてそれらを結合する。 我々はSACPが効率を継続的に改善し、しばしば最先端のモデルアグリゲーションベースラインを上回っていることを示す。
  論文  参考訳（メタデータ） (2025-12-07T17:54:07Z)
• Self-Improving LLM Agents at Test-Time [49.9396634315896]
  言語モデル(LM)の1つのパラダイムは、大規模なトレーニングデータセットの作成に依存している。 実際には、大量のデータを集めることは非効率であり、それらのトレーニングは違法に高価である。 テスト時間自己改善(TT-SI)とテスト時間蒸留(TT-D)の2つのバリエーションについて検討する。
  論文  参考訳（メタデータ） (2025-10-09T06:37:35Z)
• Reward-Shifted Speculative Sampling Is An Efficient Test-Time Weak-to-Strong Aligner [24.152878302325508]
  提案手法では,対象モデルが変わらず,ヒトの嗜好に沿うような,報酬シフト型投機的サンプリング(SSS)アルゴリズムを導入する。 本アルゴリズムは, 試験時間低強度アライメント実験において, 推定コストを著しく低減し, 優れた金報酬スコアを得る。
  論文  参考訳（メタデータ） (2025-08-20T20:10:56Z)
• Enhancing Test Time Adaptation with Few-shot Guidance [62.49199492255226]
  深層ニューラルネットワークは、トレーニング(ソース)とテスト(ターゲット)データのドメインシフトに直面しながら、大きなパフォーマンス低下に直面することが多い。 TTA(Test Time Adaptation)法は,事前学習したソースモデルを用いて,配信外ストリーミングターゲットデータを処理する手法として提案されている。 本稿では,Few-Shot Test Time Adaptation (FS-TTA) を開発した。
  論文  参考訳（メタデータ） (2024-09-02T15:50:48Z)
• Adapting Prediction Sets to Distribution Shifts Without Labels [16.478151550456804]
  我々は、共形予測(CP)と呼ばれる標準設定値予測フレームワークに焦点を当てる。 本稿では, シフトテスト領域からのラベルなしデータのみを用いて, 実用性を向上させる方法について検討する。 提案手法は,既存のベースラインよりも一貫した改善を実現し,完全教師付き手法の性能にほぼ一致することを示す。
  論文  参考訳（メタデータ） (2024-06-03T15:16:02Z)
• Refine, Discriminate and Align: Stealing Encoders via Sample-Wise Prototypes and Multi-Relational Extraction [57.16121098944589]
  RDAは、事前訓練されたエンコーダを盗むために、以前の取り組みで普及した2つの主要な欠陥に対処するために設計された先駆的なアプローチである。 これは、サンプルの様々な視点に対してターゲットエンコーダの表現を統一するサンプルワイドプロトタイプによって達成される。 より強力な有効性を得るために、我々はサロゲートエンコーダを訓練し、ミスマッチした埋め込み-プロトタイプペアを識別するマルチリレーショナル抽出損失を開発する。
  論文  参考訳（メタデータ） (2023-12-01T15:03:29Z)
• Contrastive Prototype Learning with Augmented Embeddings for Few-Shot Learning [58.2091760793799]
  拡張埋め込み(CPLAE)モデルを用いた新しいコントラスト型プロトタイプ学習を提案する。 クラスプロトタイプをアンカーとして、CPLは、同じクラスのクエリサンプルを、異なるクラスのサンプルを、さらに遠くに引き出すことを目的としている。 いくつかのベンチマークによる大規模な実験により,提案したCPLAEが新たな最先端を実現することが示された。
  論文  参考訳（メタデータ） (2021-01-23T13:22:44Z)
• Pre-training Is (Almost) All You Need: An Application to Commonsense Reasoning [61.32992639292889]
  事前学習されたトランスモデルの微調整は、一般的なNLPタスクを解決するための標準的なアプローチとなっている。 そこで本研究では,可視性ランキングタスクをフルテキスト形式でキャストする新たなスコアリング手法を提案する。 提案手法は, ランダム再起動にまたがって, より安定した学習段階を提供することを示す。
  論文  参考訳（メタデータ） (2020-04-29T10:54:40Z)

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。