Fugu-MT 論文翻訳(概要): Incremental learning for audio classification with Hebbian Deep Neural Networks

論文の概要: Incremental learning for audio classification with Hebbian Deep Neural Networks

arxiv url: http://arxiv.org/abs/2604.18270v1
Date: Mon, 20 Apr 2026 13:45:31 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-21 21:52:52.910579
Title: Incremental learning for audio classification with Hebbian Deep Neural Networks
Title（参考訳）: Hebbian Deep Neural Networksを用いた音声分類のためのインクリメンタルラーニング
Authors: Riccardo Casciotti, Francesco De Santis, Alberto Antonietti, Annamaria Mesaros,
Abstract要約: 本稿では,インクリメンタル学習中にネットワークカーネルを選択的に変調するカーネル可塑性アプローチを提案する。 ESC-50データセットを用いて、提案手法は5段階のインクリメンタルステップで76.3%の精度を達成する。
参考スコア（独自算出の注目度）: 6.416429054645992
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The ability of humans for lifelong learning is an inspiration for deep learning methods and in particular for continual learning. In this work, we apply Hebbian learning, a biologically inspired learning process, to sound classification. We propose a kernel plasticity approach that selectively modulates network kernels during incremental learning, acting on selected kernels to learn new information and on others to retain previous knowledge. Using the ESC-50 dataset, the proposed method achieves 76.3% overall accuracy over five incremental steps, outperforming a baseline without kernel plasticity (68.7%) and demonstrating significantly greater stability across tasks.
Abstract（参考訳）: 生涯学習における人間の能力は、深層学習法、特に連続学習へのインスピレーションである。本研究では,生物学的にインスパイアされた学習プロセスであるHebbian Learningを音の分類に適用する。インクリメンタルラーニング中にネットワークカーネルを選択的に変調し、選択したカーネル上で新しい情報や、以前の知識を保持するために他のカーネルに作用するカーネル可塑性アプローチを提案する。提案手法はESC-50データセットを用いて5段階のステップで76.3%の精度を達成し、カーネルの可塑性のないベースライン(68.7%)を上回り、タスク間の安定性を著しく向上させた。

関連論文リスト

On Neural Inertial Classification Networks for Pedestrian Activity Recognition [2.374912052693646]
歩行者活動を認識するには慣性センサーが不可欠である。近年のディープラーニングの進歩は慣性センシング性能と堅牢性を大幅に改善している。異なるドメインやプラットフォームは、ディープラーニング技術を使ってネットワーク性能を向上させるが、一般的なベンチマークはない。本研究の目的は,ニューラルネットワークの慣性分類ネットワークを改善するための10種類のデータ駆動手法を定義し,解析することによって,このギャップを埋めることである。
論文参考訳（メタデータ） (2025-02-23T08:15:26Z)
Energy-based Latent Aligner for Incremental Learning [83.0135278697976]
ディープラーニングモデルは、新しいタスクを漸進的に学習しながら、以前の知識を忘れる傾向があります。この振る舞いは、新しいタスクに最適化されたパラメータ更新が、古いタスクに適したアップデートとうまく一致しない可能性があるため現れます。 ELI: インクリメンタルラーニングのためのエネルギーベースラテントアリグナーを提案する。
論文参考訳（メタデータ） (2022-03-28T17:57:25Z)
Generative Kernel Continual learning [117.79080100313722]
本稿では、生成モデルとカーネル間の相乗効果を利用して連続学習を行う、生成カーネル連続学習を紹介する。生成モデルは、カーネル学習のための代表サンプルを生成することができ、カーネル連続学習におけるメモリ依存を取り除くことができる。コントリビューションの能力とメリットを示すために,広く利用されている3つの連続学習ベンチマークについて広範な実験を行った。
論文参考訳（メタデータ） (2021-12-26T16:02:10Z)
Kernel Continual Learning [117.79080100313722]
カーネル連続学習は、破滅的な忘れ事に取り組むための、シンプルだが効果的な連続学習の変種である。エピソードメモリユニットは、カーネルリッジ回帰に基づいてタスク固有の分類器を学ぶために、各タスクのサンプルのサブセットを格納する。タスク毎にデータ駆動カーネルを学ぶための変動ランダム機能。
論文参考訳（メタデータ） (2021-07-12T22:09:30Z)
ProtoDA: Efficient Transfer Learning for Few-Shot Intent Classification [21.933876113300897]
我々は,メタラーニングパラダイムの下で,原型ネットワークを用いた関連するタスクのアンサンブル上での伝達学習による代替的アプローチを採用する。本研究は,意図分類を事例として,学習課題における多様性の増大が,分類性能を著しく向上させることを示した。
論文参考訳（メタデータ） (2021-01-28T00:19:13Z)
Every Model Learned by Gradient Descent Is Approximately a Kernel Machine [0.0]
ディープラーニングの成功は、しばしばデータの新しい表現を自動的に発見する能力に起因している。しかし, 標準勾配勾配法により学習されたディープネットワークは, 数学的にカーネルマシンとほぼ同等であることを示す。
論文参考訳（メタデータ） (2020-11-30T23:02:47Z)
Fast Few-Shot Classification by Few-Iteration Meta-Learning [173.32497326674775]
数ショット分類のための高速な最適化に基づくメタラーニング手法を提案する。我々の戦略はメタ学習において学習すべき基礎学習者の目的の重要な側面を可能にする。我々は、我々のアプローチの速度と効果を実証し、総合的な実験分析を行う。
論文参考訳（メタデータ） (2020-10-01T15:59:31Z)
Informative Neural Ensemble Kalman Learning [0.0]
Informative Ensemble Kalman Learningを提案する。これは、バックプロパゲーションを適応的なEnsemble Kalmanフィルタに置き換える。特に、Lorenz-63システムのシミュレーションから学習すると、効果的に学習された構造が力学方程式を回復することを示す。
論文参考訳（メタデータ） (2020-08-22T21:30:41Z)
Deep Reinforcement Learning for Adaptive Learning Systems [4.8685842576962095]
学習者の潜在特性に基づいて,個別化学習計画の探索方法の問題点を定式化する。最適な学習ポリシーを効果的に見つけることができるモデルフリーの深層強化学習アルゴリズムを適用した。また,ニューラルネットワークを用いて学習者の学習過程をエミュレートする遷移モデル推定器を開発した。
論文参考訳（メタデータ） (2020-04-17T18:04:03Z)
iTAML: An Incremental Task-Agnostic Meta-learning Approach [123.10294801296926]
人間は経験が成長するにつれて、新しい知識を継続的に学ぶことができる。ディープニューラルネットワークにおける以前の学習は、新しいタスクでトレーニングされたときにすぐに消えてしまう可能性がある。遭遇した全てのタスク間の平衡を維持するために,新しいメタラーニング手法を導入する。
論文参考訳（メタデータ） (2020-03-25T21:42:48Z)

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。