Fugu-MT 論文翻訳(概要): HyCal: A Training-Free Prototype Calibration Method for Cross-Discipline Few-Shot Class-Incremental Learning

論文の概要: HyCal: A Training-Free Prototype Calibration Method for Cross-Discipline Few-Shot Class-Incremental Learning

arxiv url: http://arxiv.org/abs/2604.15678v1
Date: Fri, 17 Apr 2026 04:00:31 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-20 22:00:19.733478
Title: HyCal: A Training-Free Prototype Calibration Method for Cross-Discipline Few-Shot Class-Incremental Learning
Title（参考訳）: HyCal: クロスディシプリンのFew-Shotクラスインクリメンタルラーニングのためのトレーニング不要なプロトタイプ校正手法
Authors: Eunju Lee, MiHyeon Kim, JuneHyoung Kwon, Yoonji Lee, JiHyun Kim, Soojin Jang, YoungBin Kim,
Abstract要約: FSCIL(Few-Shot Class-Incremental Learning)法では、等質領域と平衡データ分布を仮定する。ヘテロジニアス領域間のデータの不均衡が過剰表現あるいは低エントロピー領域を引き起こし、埋め込み空間に不均等に影響を及ぼす表現であるドメイン重力を同定する。実世界の不均衡と非対称性を捉えるベンチマークであるXD-VSCIL(CrossDiscipline Variable Few-Shot Class-Incremental Learning)を提案する。実験の結果、HyCalはドメイン重力を効果的に軽減し、非バランスなクロスドメインインクリメンタルラーニングにおいて既存の手法より優れています。
参考スコア（独自算出の注目度）: 21.424151495174033
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Pretrained Vision-Language Models (VLMs) like CLIP show promise in continual learning, but existing Few-Shot Class-Incremental Learning (FSCIL) methods assume homogeneous domains and balanced data distributions, limiting real-world applicability where data arises from heterogeneous disciplines with imbalanced sample availability and varying visual complexity. We identify Domain Gravity, a representational asymmetry where data imbalance across heterogeneous domains causes overrepresented or low-entropy domains to disproportionately influence the embedding space, leading to prototype drift and degraded performance on underrepresented or high-entropy domains. To address this, we introduce Cross-Discipline Variable Few-Shot Class-Incremental Learning (XD-VSCIL), a benchmark capturing real-world heterogeneity and imbalance where Domain Gravity naturally intensifies. We propose Hybrid Prototype Calibration (HyCal), a training-free method combining cosine similarity and Mahalanobis distance to capture complementary geometric properties-directional alignment and covariance-aware magnitude-yielding stable prototypes under imbalanced heterogeneous conditions. Operating on frozen CLIP embeddings, HyCal achieves consistent retention-adaptation improvements while maintaining efficiency. Experiments show HyCal effectively mitigates Domain Gravity and outperforms existing methods in imbalanced cross-domain incremental learning.
Abstract（参考訳）: CLIPのような事前訓練されたビジョンランゲージモデル(VLM)は、継続学習において有望であるが、既存のFew-Shot Class-Incremental Learning(FSCIL)メソッドは、均質なドメインとバランスの取れたデータ分散を前提としている。ヘテロジニアス領域間のデータ不均衡が過剰表現あるいは低エントロピー領域を不均等に表現し、埋め込み空間に不均等に影響を及ぼし、未表現または高エントロピー領域におけるプロトタイプドリフトと劣化性能をもたらす表現的非対称性であるドメイン重力を同定する。これを解決するために,ドメイン重力が自然に増大する現実世界の異質性と不均衡をキャプチャするベンチマークであるクロスディシプリナブルFew-Shot Class-Incremental Learning (XD-VSCIL)を導入する。本研究では,コサイン類似性とマハラノビス距離を併用した訓練不要なHybrid Prototype Calibration(HyCal)を提案する。凍結されたCLIP埋め込みで動作するHyCalは、効率を保ちながら、一貫した保持適応の改善を実現している。実験の結果、HyCalはドメイン重力を効果的に軽減し、非バランスなクロスドメインインクリメンタルラーニングにおいて既存の手法より優れています。

関連論文リスト

Minimax optimal adaptive structured transfer learning through semi-parametric domain-varying coefficient model [9.091986429838117]
本研究では,条件分布ドリフト下でのマルチソース単一ターゲット移動学習問題について検討する。情報ソース領域からの強度を選択的に借用する適応的伝達学習推定器を開発した。
論文参考訳（メタデータ） (2026-02-20T03:53:06Z)
Modest-Align: Data-Efficient Alignment for Vision-Language Models [67.48633659305592]
クロスモーダルアライメントモデルは、リソース制約のある環境での運用において、過信と劣化したパフォーマンスに悩まされることが多い。我々は,ロバスト性と効率性に配慮した軽量アライメントフレームワークであるModest-Alignを提案する。本手法は,実世界の低リソースシナリオにおけるクロスモーダルアライメントを実現するための,実用的でスケーラブルなソリューションを提供する。
論文参考訳（メタデータ） (2025-10-24T16:11:10Z)
Harmonized Gradient Descent for Class Imbalanced Data Stream Online Learning [10.398611591652031]
異なるクラス間の勾配のノルムを等化することを目的としたHGDアルゴリズムを導入する。勾配の標準バランスを確保することで、HGDはマイナークラスの過小評価を軽減し、バランスの取れたオンライン学習を実現する。
論文参考訳（メタデータ） (2025-08-15T09:35:13Z)
Sparse Causal Discovery with Generative Intervention for Unsupervised Graph Domain Adaptation [27.5393760658806]
Unsupervised Graph Domain Adaptation (UGDA)は、ラベル付きソースドメイングラフを利用して、分散シフトにもかかわらずラベルなしのターゲットドメインで効果的なパフォーマンスを実現する。スパース因果モデリングと動的介入機構によりグラフ表現の安定化を実現する新しい手法であるSLOGANを提案する。
論文参考訳（メタデータ） (2025-07-10T10:42:21Z)
Unbiased Max-Min Embedding Classification for Transductive Few-Shot Learning: Clustering and Classification Are All You Need [83.10178754323955]
わずかなショットラーニングにより、モデルがいくつかのラベル付き例から一般化できる。本稿では,Unbiased Max-Min Embedding Classification (UMMEC)法を提案する。本手法は最小ラベル付きデータを用いて分類性能を著しく向上させ, 注釈付きLの最先端化を推し進める。
論文参考訳（メタデータ） (2025-03-28T07:23:07Z)
Adaptive Federated Learning Over the Air [108.62635460744109]
オーバー・ザ・エア・モデル・トレーニングの枠組みの中で,適応勾配法,特にAdaGradとAdamの連合バージョンを提案する。解析の結果,AdaGrad に基づくトレーニングアルゴリズムは $mathcalO(ln(T) / T 1 - frac1alpha の速度で定常点に収束することがわかった。
論文参考訳（メタデータ） (2024-03-11T09:10:37Z)
Gradient Reweighting: Towards Imbalanced Class-Incremental Learning [8.438092346233054]
CIL(Class-Incremental Learning)は、非定常データから新しいクラスを継続的に認識するためにモデルを訓練する。 CILの大きな課題は、非一様分布を特徴とする実世界のデータに適用する場合である。この二重不均衡問題により、FC層に偏りのある勾配更新が生じ、CILの過度/過度な適合と破滅的な忘れが引き起こされる。
論文参考訳（メタデータ） (2024-02-28T18:08:03Z)
Combating Representation Learning Disparity with Geometric Harmonization [50.29859682439571]
本稿では,表現学習におけるカテゴリレベルの均一性を促進するために,新しい幾何調和法を提案する。我々の提案はSSLの設定を変更せず、低コストで既存のメソッドに容易に統合できる。
論文参考訳（メタデータ） (2023-10-26T17:41:11Z)
Few Shot Generative Model Adaption via Relaxed Spatial Structural Alignment [130.84010267004803]
限られたデータでGAN(Generative Adversarial Network)を訓練することは難しい課題である。実現可能な解決策は、大規模なソースドメインで十分に訓練されたGANから始め、ターゲットドメインにいくつかのサンプルで適応することである。本研究では,適応時の対象生成モデルのキャリブレーションを行うための緩和された空間構造アライメント手法を提案する。
論文参考訳（メタデータ） (2022-03-06T14:26:25Z)
Distribution Aligning Refinery of Pseudo-label for Imbalanced Semi-supervised Learning [126.31716228319902]
Pseudo-label (DARP) アルゴリズムの分散アライメント・リファナリーを開発する。 DARPは最先端のSSLスキームと有効かつ効率的に互換性があることを示す。
論文参考訳（メタデータ） (2020-07-17T09:16:05Z)

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。