論文の概要: Robust Embodied Perception in Dynamic Environments via Disentangled Weight Fusion

• arxiv url: http://arxiv.org/abs/2604.01669v1
• Date: Thu, 02 Apr 2026 06:15:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:10.556062
• Title: Robust Embodied Perception in Dynamic Environments via Disentangled Weight Fusion
• Title（参考訳）: 遠絡重核融合による動的環境におけるロバストな身体知覚
• Authors: Juncen Guo, Xiaoguang Zhu, Jingyi Wu, Jingyu Zhang, Jingnan Cai, Zhenghao Niu, Liang Song,
• Abstract要約: 本稿では,組込みマルチメディアシステムのためのドメインIDおよび非定型的インクリメンタル学習フレームワークを提案する。 提案手法は, 完全に模範のない, ドメイン単位のフリーセッティングにおいて, 破滅的忘れを著しく低減する。
• 参考スコア（独自算出の注目度）: 19.79804703621505
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Embodied perception systems face severe challenges of dynamic environment distribution drift when they continuously interact in open physical spaces. However, the existing domain incremental awareness methods often rely on the domain id obtained in advance during the testing phase, which limits their practicability in unknown interaction scenarios. At the same time, the model often overfits to the context-specific perceptual noise, which leads to insufficient generalization ability and catastrophic forgetting. To address these limitations, we propose a domain-id and exemplar-free incremental learning framework for embodied multimedia systems, which aims to achieve robust continuous environment adaptation. This method designs a disentangled representation mechanism to remove non-essential environmental style interference, and guide the model to focus on extracting semantic intrinsic features shared across scenes, thereby eliminating perceptual uncertainty and improving generalization. We further use the weight fusion strategy to dynamically integrate the old and new environment knowledge in the parameter space, so as to ensure that the model adapts to the new distribution without storing historical data and maximally retains the discrimination ability of the old environment. Extensive experiments on multiple standard benchmark datasets show that the proposed method significantly reduces catastrophic forgetting in a completely exemplar-free and domain-id free setting, and its accuracy is better than the existing state-of-the-art methods.
• Abstract（参考訳）: 身体認識システムは、オープンな物理空間で連続的に相互作用する場合、動的環境分布のドリフトにおいて深刻な課題に直面している。 しかし、既存のドメインの漸進的認識手法は、テストフェーズ中に事前に得られたドメインIDに依存しており、未知の相互作用シナリオにおける実践性を制限する。 同時に、このモデルは文脈固有の知覚ノイズに過度に適合し、一般化能力の不足と破滅的な忘れを招きかねない。 このような制約に対処するため,我々は,堅牢な連続環境適応を実現することを目的とした,組込みマルチメディアシステムのためのドメインIDと非定型インクリメンタルラーニングフレームワークを提案する。 本手法は,非感情的環境スタイルの干渉を除去するアンタングル表現機構を設計し,シーン間で共有されるセマンティックな特徴を抽出することに集中させ,知覚の不確実性を排除し,一般化を改善する。 さらに、重み融合戦略を用いて、パラメータ空間における旧環境知識と新環境知識を動的に統合し、モデルが過去のデータを記憶せずに新しい分布に適応し、旧環境の識別能力を最大限に保持するようにした。 複数の標準ベンチマークデータセットに対する大規模な実験により、提案手法は、完全に模範的かつドメイン単位のフリーセッティングにおける破滅的な忘れを著しく低減し、その精度が既存の最先端手法よりも優れていることが示された。

関連論文リスト

• Few-Shot Adaptation to Non-Stationary Environments via Latent Trend Embedding for Robotics [2.6989861363357]
  本稿では,非定常環境における少数ショット適応のための潜在トレンドIDベースのフレームワークを提案する。 我々は時間的正則化と、潜伏空間の滑らかな進化を強制する状態遷移モデルを導入する。
  論文  参考訳（メタデータ） (2026-03-11T03:36:52Z)
• Aligning Agentic World Models via Knowledgeable Experience Learning [68.85843641222186]
  環境フィードバックをシンセサイザー化したWorld Knowledge Repositoryを構築するフレームワークであるWorldMindを紹介する。 WorldMindは、優れたクロスモデルとクロス環境転送性を備えたベースラインよりも優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-01-19T17:33:31Z)
• Simulating Distribution Dynamics: Liquid Temporal Feature Evolution for Single-Domain Generalized Object Detection [58.25418970608328]
  Single-Domain Generalized Object Detection (Single-DGOD)は、あるソースドメインで訓練された検出器を複数の未知のドメインに転送することを目的としている。 シングルDGODの既存の方法は通常、データの多様性を拡大するために離散的なデータ拡張や静的摂動法に依存している。 そこで本研究では,ソース領域から潜伏分布のシミュレーションに至るまでの機能の進化をシミュレートする手法を提案する。
  論文  参考訳（メタデータ） (2025-11-13T03:10:39Z)
• RainDiff: End-to-end Precipitation Nowcasting Via Token-wise Attention Diffusion [64.49056527678606]
  本稿では,U-Net拡散モデルだけでなく,レーダ時間エンコーダにも統合されたトークンワイドアテンションを提案する。 従来の手法とは異なり,本手法は,画素空間拡散の典型的な高資源コストを発生させることなく,アーキテクチャに注意を集中させる。 実験と評価により,提案手法は複雑な降水予測シナリオにおいて,最先端の手法,ロバストネスの局所的忠実度,一般化,優位性を著しく上回ることを示した。
  論文  参考訳（メタデータ） (2025-10-16T17:59:13Z)
• RISE: Robust Imitation through Stochastic Encoding [0.764671395172401]
  本稿では,環境パラメータの誤った測定をポリシー学習に明示的に対応させる,新しい模倣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、障害状態、向き、速度などのパラメータを潜在空間にエンコードし、テスト時間を改善する。 我々は,2つのロボットプラットフォームに対するアプローチを検証するとともに,目標達成性能をベースライン法と比較し,安全性の向上を図っている。
  論文  参考訳（メタデータ） (2025-03-15T19:52:16Z)
• Towards Fair Disentangled Online Learning for Changing Environments [28.207499975916324]
  オンライン学習における環境変化は、学習パラメータが環境に固有の部分的変化に起因していると論じる。 本稿では,各時点に収集したデータを2つの表現で切り離すことができるという仮定の下で,新しいアルゴリズムを提案する。 新たな後悔は、動的および静的な後悔の指標の混合形式と、公平性に配慮した長期的制約を伴って提案される。
  論文  参考訳（メタデータ） (2023-05-31T19:04:16Z)
• Toward Certified Robustness Against Real-World Distribution Shifts [65.66374339500025]
  我々は、データから摂動を学ぶために生成モデルを訓練し、学習したモデルの出力に関して仕様を定義する。 この設定から生じるユニークな挑戦は、既存の検証者がシグモイドの活性化を厳密に近似できないことである。 本稿では,古典的な反例誘導的抽象的洗練の概念を活用するシグモイドアクティベーションを扱うための一般的なメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-06-08T04:09:13Z)
• LEADS: Learning Dynamical Systems that Generalize Across Environments [12.024388048406587]
  我々は、モデル一般化を改善するために、既知の環境間の共通点と相違点を活用する新しいフレームワークであるLEADSを提案する。 環境に依存したデータから抽出した知識を活用でき、既知の環境と新しい環境の両方の一般化を向上できることを示す。
  論文  参考訳（メタデータ） (2021-06-08T17:28:19Z)
• Attribute-Guided Adversarial Training for Robustness to Natural Perturbations [64.35805267250682]
  本稿では,属性空間への分類器の露出を最大化するために,新しいサンプルを生成することを学習する逆学習手法を提案する。 我々のアプローチは、ディープニューラルネットワークが自然に発生する摂動に対して堅牢であることを可能にする。
  論文  参考訳（メタデータ） (2020-12-03T10:17:30Z)
• Unsupervised Domain Adaptation in Person re-ID via k-Reciprocal Clustering and Large-Scale Heterogeneous Environment Synthesis [76.46004354572956]
  個人再識別のための教師なし領域適応手法を提案する。 実験結果から,ktCUDA法とSHRED法は,再同定性能において,+5.7 mAPの平均的改善を実現することがわかった。
  論文  参考訳（メタデータ） (2020-01-14T17:43:52Z)

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。