論文の概要: Learning to Query History: Nonstationary Classification via Learned Retrieval

• arxiv url: http://arxiv.org/abs/2604.07027v1
• Date: Wed, 08 Apr 2026 12:45:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.529483
• Title: Learning to Query History: Nonstationary Classification via Learned Retrieval
• Title（参考訳）: クエリ履歴の学習:学習検索による非定常分類
• Authors: Jimmy Gammell, Bishal Thapaliya, Yoon Jung, Riyasat Ohib, Bilel Fehri, Deepayan Chakrabarti,
• Abstract要約: 本稿では、入力依存クエリを用いて関連する履歴例をサンプリングする学習離散検索機構を提案する。 これにより、トレーニングやデプロイメント中に、履歴データの完全なコーパスを任意の場所に保持することが可能になります。
• 参考スコア（独自算出の注目度）: 6.402212089830528
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Nonstationarity is ubiquitous in practical classification settings, leading deployed models to perform poorly even when they generalize well to holdout sets available at training time. We address this by reframing nonstationary classification as time series prediction: rather than predicting from the current input alone, we condition the classifier on a sequence of historical labeled examples that extends beyond the training cutoff. To scale to large sequences, we introduce a learned discrete retrieval mechanism that samples relevant historical examples via input-dependent queries, trained end-to-end with the classifier using a score-based gradient estimator. This enables the full corpus of historical data to remain on an arbitrary filesystem during training and deployment. Experiments on synthetic benchmarks and Amazon Reviews '23 (electronics category) show improved robustness to distribution shift compared to standard classifiers, with VRAM scaling predictably as the length of the historical data sequence increases.
• Abstract（参考訳）: 非定常性は、実践的な分類設定においてユビキタスであり、トレーニング時に利用可能なホールトアウトセットを一般化しても、デプロイされたモデルの性能が低下する。 我々は、非定常分類を時系列予測として再定義することでこの問題に対処する: 現在の入力のみから予測するのではなく、トレーニングの切り離しを超えて拡張された歴史的ラベル付き例の列に分類器を条件付けする。 大規模なシーケンスにスケールするために,入力依存クエリを用いて関連する過去の事例をサンプリングする学習離散検索機構を導入し,スコアベース勾配推定器を用いて分類器を用いてエンドツーエンドで訓練した。 これにより、トレーニングやデプロイメント中に、履歴データの完全なコーパスを任意のファイルシステムに保持することができる。 合成ベンチマークとAmazon Reviews '23(エレクトロニクスカテゴリ)の実験では、標準分類器と比較して、分散シフトに対する堅牢性が改善され、歴史的データシーケンスの長さが増加するにつれて、VRAMのスケーリングが予測可能になった。

関連論文リスト

• Rethinking Zero-Shot Time Series Classification: From Task-specific Classifiers to In-Context Inference [34.15455500037426]
  我々は、ラベル付きトレーニングセットをコンテキストとして扱い、単一のフォワードパスで全てのテストインスタンスのラベルを予測する、コンテキスト内学習フレームワークTIC-FMを提案する。 TIC-FMは、時系列エンコーダとスプリットメイク潜在メモリ変換器を備えた軽量プロジェクションアダプタをペアリングする。 128のUCRデータセットに対する実験は、極低ラベルの状況で一貫した利得で、強い精度を示す。
  論文  参考訳（メタデータ） (2026-01-31T09:17:45Z)
• FeCAM: Exploiting the Heterogeneity of Class Distributions in Exemplar-Free Continual Learning [21.088762527081883]
  Exemplar-free class-incremental learning (CIL)は、以前のタスクからのデータのリハーサルを禁止しているため、いくつかの課題がある。 第1タスクの後に特徴抽出器を凍結して分類器を漸進的に学習する手法が注目されている。 凍結した特徴抽出器を用いて新しいクラスプロトタイプを生成するCILのプロトタイプネットワークを探索し,プロトタイプとのユークリッド距離に基づいて特徴を分類する。
  論文  参考訳（メタデータ） (2023-09-25T11:54:33Z)
• Revisiting Long-tailed Image Classification: Survey and Benchmarks with New Evaluation Metrics [88.39382177059747]
  メトリクスのコーパスは、長い尾の分布で学習するアルゴリズムの正確性、堅牢性、およびバウンダリを測定するために設計されている。 ベンチマークに基づいて,CIFAR10およびCIFAR100データセット上での既存手法の性能を再評価する。
  論文  参考訳（メタデータ） (2023-02-03T02:40:54Z)
• Parametric Classification for Generalized Category Discovery: A Baseline Study [70.73212959385387]
  Generalized Category Discovery (GCD)は、ラベル付きサンプルから学習した知識を用いて、ラベルなしデータセットで新しいカテゴリを発見することを目的としている。 パラメトリック分類器の故障を調査し,高品質な監視が可能であった場合の過去の設計選択の有効性を検証し,信頼性の低い疑似ラベルを重要課題として同定する。 エントロピー正規化の利点を生かし、複数のGCDベンチマークにおける最先端性能を実現し、未知のクラス数に対して強いロバスト性を示す、単純で効果的なパラメトリック分類法を提案する。
  論文  参考訳（メタデータ） (2022-11-21T18:47:11Z)
• Cluster & Tune: Boost Cold Start Performance in Text Classification [21.957605438780224]
  実世界のシナリオでは、ラベル付きデータが不足している場合、テキスト分類タスクはコールドスタートから始まることが多い。 中間的教師なし分類タスクを追加することにより,そのようなモデルの性能を向上させる手法を提案する。
  論文  参考訳（メタデータ） (2022-03-20T15:29:34Z)
• Self-Certifying Classification by Linearized Deep Assignment [65.0100925582087]
  そこで我々は,PAC-Bayesリスク認定パラダイム内で,グラフ上のメトリックデータを分類するための新しい深層予測器のクラスを提案する。 PAC-Bayesの最近の文献とデータに依存した先行研究に基づいて、この手法は仮説空間上の後続分布の学習を可能にする。
  論文  参考訳（メタデータ） (2022-01-26T19:59:14Z)
• Interpretable Sequence Classification via Discrete Optimization [26.899228003677138]
  医療監視や侵入検知といった多くの応用において、早期分類は介入を促すために不可欠である。 本研究では、進化する観測トレースから早期分類を好む配列分類器を学習する。 我々の分類器は解釈可能であり, 説明, 反実的推論, 人為的ループ修正を行う。
  論文  参考訳（メタデータ） (2020-10-06T15:31:07Z)
• Document Ranking with a Pretrained Sequence-to-Sequence Model [56.44269917346376]
  関連ラベルを「ターゲット語」として生成するためにシーケンス・ツー・シーケンス・モデルをどのように訓練するかを示す。 提案手法は,データポーラ方式におけるエンコーダのみのモデルよりも大幅に優れている。
  論文  参考訳（メタデータ） (2020-03-14T22:29:50Z)
• Certified Robustness to Label-Flipping Attacks via Randomized Smoothing [105.91827623768724]
  機械学習アルゴリズムは、データ中毒攻撃の影響を受けやすい。 任意の関数に対するランダム化スムージングの統一的なビューを示す。 本稿では,一般的なデータ中毒攻撃に対して,ポイントワイズで確実に堅牢な分類器を構築するための新しい戦略を提案する。
  論文  参考訳（メタデータ） (2020-02-07T21:28:30Z)

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。