論文の概要: C3Box: A CLIP-based Class-Incremental Learning Toolbox

• arxiv url: http://arxiv.org/abs/2601.20852v1
• Date: Wed, 28 Jan 2026 18:52:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-29 15:46:07.104971
• Title: C3Box: A CLIP-based Class-Incremental Learning Toolbox
• Title（参考訳）: C3Box: CLIPベースのクラスインクリメンタル学習ツールボックス
• Authors: Hao Sun, Da-Wei Zhou,
• Abstract要約: モジュール的で包括的なPythonツールボックスであるC3Box(CLIPベースのClass-inCremental Learning Tool)を提案する。 C3Boxは従来のCILメソッド、ViTベースのCILメソッド、最先端のCLIPベースのCILメソッドを統合CLIPベースのフレームワークに統合している。
• 参考スコア（独自算出の注目度）: 15.678760343236005
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional machine learning systems are typically designed for static data distributions, which suffer from catastrophic forgetting when learning from evolving data streams. Class-Incremental Learning (CIL) addresses this challenge by enabling learning systems to continuously learn new classes while preserving prior knowledge. With the rise of pre-trained models (PTMs) such as CLIP, leveraging their strong generalization and semantic alignment capabilities has become a promising direction in CIL. However, existing CLIP-based CIL methods are often scattered across disparate codebases, rely on inconsistent configurations, hindering fair comparisons, reproducibility, and practical adoption. Therefore, we propose C3Box (CLIP-based Class-inCremental learning toolBOX), a modular and comprehensive Python toolbox. C3Box integrates representative traditional CIL methods, ViT-based CIL methods, and state-of-the-art CLIP-based CIL methods into a unified CLIP-based framework. By inheriting the streamlined design of PyCIL, C3Box provides a JSON-based configuration and standardized execution pipeline. This design enables reproducible experimentation with low engineering overhead and makes C3Box a reliable benchmark platform for continual learning research. Designed to be user-friendly, C3Box relies only on widely used open-source libraries and supports major operating systems. The code is available at https://github.com/LAMDA-CL/C3Box.
• Abstract（参考訳）: 従来の機械学習システムは、通常、静的なデータ分散のために設計されている。 CIL(Class-Incremental Learning)は、学習システムが事前の知識を維持しながら、新しいクラスを継続的に学習できるようにすることによって、この課題に対処する。 CLIPのような事前学習モデル(PTM)の台頭により、その強力な一般化とセマンティックアライメント機能を活用することが、CILにおいて有望な方向性となっている。 しかし、既存のCLIPベースのCILメソッドは、しばしば異なるコードベースに分散し、一貫性のない設定に依存し、公正な比較や再現性、実践的な採用を妨げる。 そこで我々は,モジュール的で包括的なPythonツールボックスであるC3Box(CLIPベースのClass-inCremental Learning ToolBOX)を提案する。 C3Boxは、一般的なCILメソッド、ViTベースのCILメソッド、最先端のCLIPベースのCILメソッドを統合CLIPベースのフレームワークに統合する。 PyCILの合理化された設計を継承することで、C3BoxはJSONベースの構成と標準化された実行パイプラインを提供する。 この設計により、工学的オーバーヘッドの少ない再現可能な実験が可能となり、C3Boxは継続的な学習研究のための信頼性の高いベンチマークプラットフォームとなる。 ユーザフレンドリーに設計されたC3Boxは、広く使われているオープンソースライブラリのみに依存し、主要なオペレーティングシステムをサポートする。 コードはhttps://github.com/LAMDA-CL/C3Boxで入手できる。

関連論文リスト

• ARM: A Learnable, Plug-and-Play Module for CLIP-based Open-vocabulary Semantic Segmentation [11.04143971119602]
  オープン語彙セマンティックセグメンテーション(OVSS)は、CLIPの粗い画像レベルの表現によって根本的に妨げられている。 本稿では,CLIPの内部ポテンシャルを効果的に解放する軽量で学習可能なモジュールであるAttention Refinement Module (ARM)を提案する。 ARMは、無視可能な推論オーバーヘッドを持つ複数のベンチマークのベースラインパフォーマンスを一貫して向上させる。
  論文  参考訳（メタデータ） (2025-12-30T13:38:30Z)
• External Knowledge Injection for CLIP-Based Class-Incremental Learning [62.516402566610395]
  CIL(Class-Incremental Learning)は、学習システムが進化するデータストリームに継続的に適応できるようにする。 本稿では,CLIP ベースの CIL のための ExterNal knowledGe INjEction (ENGINE) を紹介する。
  論文  参考訳（メタデータ） (2025-03-11T15:00:22Z)
• A Hard-to-Beat Baseline for Training-free CLIP-based Adaptation [121.0693322732454]
  対照的に、CLIP(Contrastive Language- Image Pretraining)はその目覚ましいゼロショット能力で人気を集めている。 近年の研究では、下流タスクにおけるCLIPの性能を高めるための効率的な微調整手法の開発に焦点が当てられている。 従来のアルゴリズムであるガウス判別分析(GDA)を再検討し,CLIPの下流分類に適用する。
  論文  参考訳（メタデータ） (2024-02-06T15:45:27Z)
• Density Distribution-based Learning Framework for Addressing Online Continual Learning Challenges [4.715630709185073]
  オンライン連続学習のための密度分布に基づく学習フレームワークを提案する。 我々のフレームワークは、より優れた平均精度と時間空間効率を実現する。 提案手法は, CL のアプローチにおいて, 有意な差で優れる。
  論文  参考訳（メタデータ） (2023-11-22T09:21:28Z)
• Exploring Continual Learning for Code Generation Models [80.78036093054855]
  継続的学習(CL)は、コードドメインの中でまだ過小評価されていない重要な側面である。 コード生成,翻訳,要約,改良など,幅広いタスクをカバーするCodeTask-CLというベンチマークを導入する。 即時選択機構の不安定な訓練により,プロンプトプール (PP) などの有効手法が破滅的な忘れ込みに悩まされることが判明した。
  論文  参考訳（メタデータ） (2023-07-05T16:58:39Z)
• Prompt, Generate, then Cache: Cascade of Foundation Models makes Strong Few-shot Learners [55.119101947682715]
  CaFoは、様々な事前学習パラダイムの様々な事前知識を取り入れた、ファウンデーションのカスケードモデルである。 私たちのCaFoには、CLIPの言語コントラスト知識、DINOの視覚コントラスト知識、DALL-Eの視覚生成知識、GPT-3の言語生成知識が含まれています。
  論文  参考訳（メタデータ） (2023-03-03T18:58:16Z)
• Cyclical Curriculum Learning [0.0]
  人工ニューラルネットワーク(ANN)は、人間の学習にインスパイアされている。 人間教育とは異なり、古典的なANNはカリキュラムを使用しない。 カリキュラム学習(Curriculum Learning)とは、実例を有意義な順序で使用するANNトレーニングの過程を指す。
  論文  参考訳（メタデータ） (2022-02-11T10:09:29Z)
• PyCIL: A Python Toolbox for Class-Incremental Learning [34.32500654158169]
  クラス増分学習のためのいくつかの重要なアルゴリズムを実装したPythonツールボックスを提案する。 このツールボックスには、EWCやiCaRLといったCILの創設作業の実装が含まれている。 また、新しい基礎研究を行うために使用できる最先端のアルゴリズムも提供する。
  論文  参考訳（メタデータ） (2021-12-23T13:41:24Z)
• PointCLIP: Point Cloud Understanding by CLIP [77.02399444893963]
  本稿では,CLIP符号化点クラウドと3Dカテゴリテキストのアライメントを行うPointCLIPを提案する。 PointCLIPは、リソースコストとデータレシエーションの低いCLIPによる効果的な3Dポイントクラウド理解のための、有望な代替手段である。
  論文  参考訳（メタデータ） (2021-12-04T19:42:40Z)
• Prototypes-Guided Memory Replay for Continual Learning [13.459792148030717]
  継続学習(英: Continual Learning, CL)とは、学習性能を高めるために、トレーニングサンプルの小さな記述と以前に学んだ知識のみを使用する機械学習パラダイムである。 CLの最大の難しさは、データ分布の変化によって引き起こされた、以前に学習されたタスクの破滅的な忘れである。 オンラインメタ学習モデルに組み込んだメモリ効率の高いCL手法を提案する。
  論文  参考訳（メタデータ） (2021-08-28T13:00:57Z)

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。