論文の概要: When Sensing Varies with Contexts: Context-as-Transform for Tactile Few-Shot Class-Incremental Learning

• arxiv url: http://arxiv.org/abs/2603.25115v1
• Date: Thu, 26 Mar 2026 07:42:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:48.158387
• Title: When Sensing Varies with Contexts: Context-as-Transform for Tactile Few-Shot Class-Incremental Learning
• Title（参考訳）: 文脈付き変数のセンシング: 触覚的Few-Shotクラスインクリメンタルラーニングのためのコンテキスト・アズ・トランスフォーメーション
• Authors: Yifeng Lin, Aiping Huang, Wenxi Liu, Si Wu, Tiesong Zhao, Zheng-Jun Zha,
• Abstract要約: 上記の問題に対処するために、Context-as-Transform FSCIL (CaT-FSCIL)を提案する。 取得コンテキストを構造化された低次元成分と高次元残留成分に分解する。 HapTex と LMT108 のベンチマークに関する総合的な実験は、提案した CaT-FSCIL の優位性を実証している。
• 参考スコア（独自算出の注目度）: 74.84708088848693
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Few-Shot Class-Incremental Learning (FSCIL) can be particularly susceptible to acquisition contexts with only a few labeled samples. A typical scenario is tactile sensing, where the acquisition context ({\it e.g.}, diverse devices, contact state, and interaction settings) degrades performance due to a lack of standardization. In this paper, we propose Context-as-Transform FSCIL (CaT-FSCIL) to tackle the above problem. We decompose the acquisition context into a structured low-dimensional component and a high-dimensional residual component. The former can be easily affected by tactile interaction features, which are modeled as an approximately invertible Context-as-Transform family and handled via inverse-transform canonicalization optimized with a pseudo-context consistency loss. The latter mainly arises from platform and device differences, which can be mitigated with an Uncertainty-Conditioned Prototype Calibration (UCPC) that calibrates biased prototypes and decision boundaries based on context uncertainty. Comprehensive experiments on the standard benchmarks HapTex and LMT108 have demonstrated the superiority of the proposed CaT-FSCIL.
• Abstract（参考訳）: FSCIL(Few-Shot Class-Incremental Learning)は、いくつかのラベル付きサンプルだけで、取得コンテキストに影響を受けやすい。 典型的なシナリオは触覚センシングであり、取得コンテキスト({\it e g }、多様なデバイス、コンタクト状態、インタラクション設定)は標準化の欠如により性能が低下する。 本稿では、上記の問題に対処するため、Context-as-Transform FSCIL(CaT-FSCIL)を提案する。 取得コンテキストを構造化された低次元成分と高次元残留成分に分解する。 前者は、ほぼ可逆なContext-as-Transformファミリとしてモデル化され、擬似コンテクスト整合性損失に最適化された逆変換正準化によって処理される触覚インタラクション機能の影響を受けやすい。 後者は、主にプラットフォームとデバイスの違いから発生し、コンテキストの不確実性に基づいてバイアスのあるプロトタイプと決定境界を校正する不確実性定義プロトタイプ校正(UCPC)で緩和することができる。 HapTex と LMT108 のベンチマークに関する総合的な実験は、提案した CaT-FSCIL の優位性を実証している。

関連論文リスト

• When Does Context Help? Error Dynamics of Contextual Information in Large Language Models [64.88201012057822]
  大規模言語モデルにおける任意の文脈情報の影響を分析するための統合理論フレームワークを提案する。 本分析は,出力誤差ダイナミクスによる文脈的影響を特徴付ける。 ICL、検索拡張生成、メモリ進化に関する実験は、我々の理論を検証し、原則化された文脈選択戦略を動機づける。
  論文  参考訳（メタデータ） (2026-02-09T05:58:41Z)
• Contextual Gating within the Transformer Stack: Synergistic Feature Modulation for Enhanced Lyrical Classification and Calibration [0.0]
  本研究は,歌詞コンテンツ分類のための特徴融合における重要なアーキテクチャ的進歩を紹介する。 本稿では,文脈ゲーティング機構を利用した新しいディープラーニングモデルであるSFL Transformerを提案する。 このモデルは、UMAPが還元した線形埋め込みから導かれる挑戦的な二項分類タスクに適用される。
  論文  参考訳（メタデータ） (2025-11-27T08:23:45Z)
• Geometrically Constrained and Token-Based Probabilistic Spatial Transformers [5.437226012505534]
  我々は、トランスフォーマーベースのビジョンパイプラインの標準化ツールとして、空間トランスフォーマーネットワーク(STN)を再考する。 本稿では、堅牢性を向上させる確率的、コンポーネントワイドな拡張を提案する。 本手法が他のSTNと比較して頑健さを常に向上することを示す。
  論文  参考訳（メタデータ） (2025-09-14T11:30:53Z)
• SoftPQ: Robust Instance Segmentation Evaluation via Soft Matching and Tunable Thresholds [0.0]
  フレキシブルかつ解釈可能なインスタンスセグメンテーションメトリックであるSoftPQを提案する。 我々は、既存のメトリクスが見落としているセグメンテーション品質の有意義な違いをSoftPQが捉えていることを示す。
  論文  参考訳（メタデータ） (2025-05-17T22:08:33Z)
• PseudoNeg-MAE: Self-Supervised Point Cloud Learning using Conditional Pseudo-Negative Embeddings [55.55445978692678]
  PseudoNeg-MAEは、ポイントクラウドマスマスキングオートエンコーダのグローバルな特徴表現を強化する。 本研究では,ネットワークが識別的表現を保ちながら,よりリッチな変換キューをキャプチャできる新たな損失を提案する。
  論文  参考訳（メタデータ） (2024-09-24T07:57:21Z)
• CorDA: Context-Oriented Decomposition Adaptation of Large Language Models for Task-Aware Parameter-Efficient Fine-tuning [101.81127587760831]
  現在の微調整手法は、学習すべき下流タスクのコンテキストや、維持すべき重要な知識のコンテキストに広く適用できるアダプタを構築している。 学習可能なタスク対応アダプタを構築するコンテキスト指向の分解適応手法であるCorDAを提案する。 本手法は,知識保存型適応と指導レビュー型適応の2つの選択肢を実現する。
  論文  参考訳（メタデータ） (2024-06-07T19:10:35Z)
• Isomer: Isomerous Transformer for Zero-shot Video Object Segmentation [59.91357714415056]
  コンテクスト共有変換器(CST)とセマンティックガザリング散乱変換器(SGST)の2つの変種を提案する。 CSTは、軽量な計算により、画像フレーム内のグローバル共有コンテキスト情報を学習し、SGSTは、前景と背景のセマンティック相関を別々にモデル化する。 多段核融合にバニラ変換器を使用するベースラインと比較して,我々は13倍の速度向上を実現し,新しい最先端ZVOS性能を実現する。
  論文  参考訳（メタデータ） (2023-08-13T06:12:00Z)
• Bayesian Transformer Language Models for Speech Recognition [59.235405107295655]
  トランスフォーマーで表現される最先端のニューラルネットワークモデル(LM)は非常に複雑である。 本稿では,トランスフォーマーLM推定のためのベイズ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-09T10:55:27Z)

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。