論文の概要: Replication Study: Federated Text-Driven Prompt Generation for Vision-Language Models

• arxiv url: http://arxiv.org/abs/2602.18439v1
• Date: Mon, 24 Nov 2025 18:05:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-02 07:21:25.556734
• Title: Replication Study: Federated Text-Driven Prompt Generation for Vision-Language Models
• Title（参考訳）: 複製研究:視覚言語モデルのためのフェデレーションテキスト駆動型プロンプト生成
• Authors: Suraj Prasad, Anubha Pant,
• Abstract要約: オリジナルのFedTPG論文citeQiu2024では、クラス名に条件付きプロンプトを動的に生成するテキスト駆動プロンプト生成ネットワークが導入されている。 我々はFedTPGを忠実に再現し、6つの多様な視覚データセット上で事前学習したモデルを評価する。 本評価の結果は,本論文が報告した精度の0.2%以内であり,平均精度は74.58%,未確認(新)クラス76.00%であり,一般化では+1.43ポイント向上した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision-language models like CLIP have demonstrated remarkable zero-shot capabilities, yet their adaptation to federated learning scenarios presents significant challenges, particularly regarding generalization to unseen classes. The original FedTPG paper \cite{Qiu2024} addresses this limitation by introducing a text driven prompt generation network that dynamically creates prompts conditioned on class names, enabling better cross-class generalization in federated settings. In this work, we present a faithful replication study of FedTPG, evaluating the pre-trained model on six diverse vision datasets: Caltech101, Oxford Flowers, FGVC Aircraft, Oxford Pets, Food-101, and DTD. Our evaluation achieves results within 0.2\% of the original paper's reported accuracies, with an average accuracy of 74.58\% on seen (base) classes and 76.00\% on unseen (new) classes, demonstrating a +1.43 percentage point improvement in generalization. These results validate the original paper's core claims: (1) text-driven prompt generation enables superior generalization to unseen classes compared to static prompt learning methods, and (2) federated training of prompt generators maintains high performance across diverse visual domains without sharing private data. Our successful replication confirms the robustness and reproducibility of the FedTPG approach.
• Abstract（参考訳）: CLIPのような視覚言語モデルは、目覚ましいゼロショット機能を示しているが、フェデレーション付き学習シナリオへの適応は、特に目に見えないクラスへの一般化に関して、大きな課題を呈している。 FedTPGのオリジナルの論文 \cite{Qiu2024} では、クラス名に条件付きプロンプトを動的に生成するテキスト駆動プロンプト生成ネットワークを導入し、フェデレートされた設定におけるクラス間の一般化を改善することで、この制限に対処している。 本稿では、Caltech101、Oxford Flowers、FGVC Aircraft、Oxford Pets、Food-101、DTDの6つのビジョンデータセット上で、事前学習されたモデルを評価する、FedTPGの忠実な複製研究を示す。 本評価は,本論文の報告した精度の0.2 %以内で,平均精度は74.58 %,未確認(新)クラス76.00 %であり,一般化では+1.43 ポイント向上を示した。 これらの結果は,(1)テキスト駆動のプロンプト生成により,静的なプロンプト学習法と比較して,見知らぬクラスに優れた一般化が可能であり,(2)プロンプトジェネレータのフェデレートトレーニングは,プライベートデータを共有することなく,多様な視覚領域におけるハイパフォーマンスを維持している,という元の論文のコアクレームを検証した。 われわれはFedTPGアプローチの堅牢性と再現性を確認した。

関連論文リスト

• FedAPT: Federated Adversarial Prompt Tuning for Vision-Language Models [97.35577473867296]
  Federated Adversarial Prompt Tuning (textbfFedAPT)は、FPTの対向性を高めるために設計された新しい手法である。 この問題に対処するために,テキストプロンプトから視覚的なプロンプトを生成するtextbfclass-awareプロンプトジェネレータを提案する。 複数の画像分類データセットの実験は、対向ロバスト性を改善する上でFedAPTの優位性を示している。
  論文  参考訳（メタデータ） (2025-09-03T03:46:35Z)
• Improving Embedding Accuracy for Document Retrieval Using Entity Relationship Maps and Model-Aware Contrastive Sampling [0.0]
  APEX-Embedding-7Bは、7ビリオンパラメータデコーダのみのテキスト特徴抽出モデルである。 このアプローチでは2つのトレーニング手法を採用して,現実の焦点を即時的に改善する。 本モデルでは,より長いコンテキスト文書検索タスクに対して,テキスト特徴抽出における最先端の標準を新たに確立する。
  論文  参考訳（メタデータ） (2024-10-08T17:36:48Z)
• Vision-Language Model Based Handwriting Verification [23.983430206133793]
  本稿では,OpenAI の GPT-4o や Google の PaliGemma などの視覚言語モデル (VLM) を用いてこれらの課題に対処する。 私たちの目標は、モデル決定に対して明確で人間に理解可能な説明を提供することです。
  論文  参考訳（メタデータ） (2024-07-31T17:57:32Z)
• Retrieval is Accurate Generation [99.24267226311157]
  本稿では,支援文書の集合からコンテキスト認識句を選択する新しい手法を提案する。 本モデルでは,検索対象のベースラインの中で,最高の性能と低レイテンシを実現する。
  論文  参考訳（メタデータ） (2024-02-27T14:16:19Z)
• Text-driven Prompt Generation for Vision-Language Models in Federated Learning [24.005620820818756]
  FedTPG(Federated Text-Driven Prompt Generation)を提案する。 FedTPGは、複数のリモートクライアントにまたがる統一的なプロンプト生成ネットワークをスケーラブルに学習する。 9つの多様な画像分類データセットを総合的に評価した結果,既存のフェデレーション・プロンプト・ラーニング・手法よりも優れた手法であることが示唆された。
  論文  参考訳（メタデータ） (2023-10-09T19:57:24Z)
• UniBoost: Unsupervised Unimodal Pre-training for Boosting Zero-shot Vision-Language Tasks [60.46473247205654]
  大規模で教師なしのユニモーダルモデルを事前学習として使用することにより、画像テキストペアモデルのゼロショット性能を向上させることができる。 実験の結果,単調な事前学習は最先端のCLIPモデルよりも優れていた。
  論文  参考訳（メタデータ） (2023-06-07T18:26:22Z)
• Text Classification via Large Language Models [63.1874290788797]
  テキスト分類に関わる複雑な言語現象に対処するために、Clue And Reasoning Prompting (CARP)を導入する。 注目すべきは、CARPが5つの広く使用されているテキスト分類ベンチマークのうち4つで新しいSOTAパフォーマンスを得ることだ。 さらに重要なのは、CARPが低リソースとドメイン適応のセットアップで素晴らしい能力を提供します。
  論文  参考訳（メタデータ） (2023-05-15T06:24:45Z)
• Learning to Decompose Visual Features with Latent Textual Prompts [140.2117637223449]
  視覚言語モデルを改善するために,Decomposed Feature Prompting (DeFo)を提案する。 我々の実証研究は、視覚言語モデルを改善する上でDeFoが重要であることを示している。
  論文  参考訳（メタデータ） (2022-10-09T15:40:13Z)
• Test-Time Prompt Tuning for Zero-Shot Generalization in Vision-Language Models [107.05966685291067]
  テスト時間プロンプトチューニング (TPT) を提案し, 適応的なプロンプトを1つのテストサンプルで学習する。 TPTはCLIPのゼロショットトップ1の精度を平均3.6%改善する。 クロスデータセットの一般化を目に見えないカテゴリで評価する際、PTは追加のトレーニングデータを使用する最先端のアプローチと同等に機能する。
  論文  参考訳（メタデータ） (2022-09-15T17:55:11Z)
• Meta-Learning Adversarial Domain Adaptation Network for Few-Shot Text Classification [31.167424308211995]
  対戦型ドメイン適応ネットワークと統合された新しいメタ学習フレームワークを提案する。 提案手法は,全データセットにおける最先端モデルよりも明らかに優れていることを示す。 特に、20のニュースグループのデータセットにおける1ショットと5ショットの分類の精度は52.1%から59.6%に向上している。
  論文  参考訳（メタデータ） (2021-07-26T15:09:40Z)

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。