論文の概要: Knowledge-driven Augmentation and Retrieval for Integrative Temporal Adaptation

• arxiv url: http://arxiv.org/abs/2604.22098v1
• Date: Thu, 23 Apr 2026 22:12:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-27 15:36:26.280995
• Title: Knowledge-driven Augmentation and Retrieval for Integrative Temporal Adaptation
• Title（参考訳）: 統合的時間適応のための知識駆動型強化と検索
• Authors: Weisi Liu, Guangzeng Han, Xiaolei Huang,
• Abstract要約: 我々は、統合的時間適応(KARITA)のための知識駆動強化と検索を開発する。 カリタは、多様な時間的変化を捉え、豊富な知識ソースを構築し、統合し、シフトする洞察を活用して、検索と検索の強化学習を選択する。 複数のドメイン,臨床,法学,科学的コーパスにまたがる分類課題について,カリタの評価を行い,時間的適応を伴う複数のドメインにおける一貫した改善を実証した。
• 参考スコア（独自算出の注目度）: 4.268367038882249
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time introduces fundamental challenges in model development and deployment: models are usually trained on historical data while deployed on future data where semantic distributions and domain knowledge may evolve. Unfortunately, existing studies either overlook temporal shifts or hardly capture rich shifting patterns of both semantic and knowledge. We develop Knowledge-driven Augmentation and Retrieval for Integrative Temporal Adaptation (KARITA) to capture diverse temporal shifts (e.g., uncertainty and feature shift), construct and integrate rich knowledge sources (e.g., medical ontology like MeSH), and leverage shifting insights for selecting-retrieval augmented learning. We evaluate KARITA on classification tasks across multiple domains, clinical, legal, and scientific corpora, demonstrating consistent improvements across multiple domains with temporal adaptation. Our results show that knowledge integration can be more critical and effective in temporal augmentation and learning.
• Abstract（参考訳）: モデルは通常、過去のデータに基づいてトレーニングされ、セマンティックな分布とドメインの知識が進化する将来のデータにデプロイされます。 残念ながら、既存の研究は時間的シフトを見落としているか、意味と知識の両方の豊富なシフトパターンをほとんど捉えていない。 我々は,統合的時間適応(KARITA)のための知識駆動型強化と検索法を開発し,多様な時間的変化(不確実性や特徴シフトなど)を捉え,豊富な知識源(例えばMeSHのような医学オントロジー)を構築し統合し,学習選択のための変化の洞察を活用する。 複数のドメイン,臨床,法学,科学的コーパスにまたがる分類課題について,カリタの評価を行い,時間的適応を伴う複数のドメインにおける一貫した改善を実証した。 以上の結果から,知識統合は時間的増強と学習においてより重要かつ効果的であることが示唆された。

関連論文リスト

• RAG or Learning? Understanding the Limits of LLM Adaptation under Continuous Knowledge Drift in the Real World [7.435603768894471]
  大規模言語モデル(LLM)は、事前訓練中に知識のほとんどを取得する。 事実、実体、イベントが時間とともに変化するにつれて、モデルは継続的な知識の漂流を経験する。 実世界の動的事象の時間スタンプから構築した新しいベンチマークを導入する。
  論文  参考訳（メタデータ） (2026-04-06T18:50:18Z)
• CSTA: Spatial-Temporal Causal Adaptive Learning for Exemplar-Free Video Class-Incremental Learning [62.69917996026769]
  クラスインクリメンタルな学習課題は、空間的外観と時間的行動の関与の両方を学習し、保存することを必要とする。 本稿では,各クラス固有のインクリメンタル情報要件を調整し,新しいクラスパターンを学習するためのアダプタを分離するフレームワークを提案する。 異なる種類の情報間のインクリメントと記憶の衝突を減らすために,因果補償機構を提案する。
  論文  参考訳（メタデータ） (2025-01-13T11:34:55Z)
• TimeRAF: Retrieval-Augmented Foundation model for Zero-shot Time Series Forecasting [59.702504386429126]
  TimeRAFは検索拡張技術によるゼロショット時系列予測を強化する検索拡張予測モデルである。 TimeRAFは、エンド・ツー・エンドの学習可能なレトリバーを使用して、知識ベースから貴重な情報を抽出する。
  論文  参考訳（メタデータ） (2024-12-30T09:06:47Z)
• ChroKnowledge: Unveiling Chronological Knowledge of Language Models in Multiple Domains [19.428141279030527]
  ChroKnowBenchは、時系列的に蓄積された知識を評価するために設計されたベンチマークデータセットである。 ChroKnowledgeは、LLMの非パラメトリック時系列知識を評価するための新しいサンプリングベースのフレームワークである。 ChroKnowPrompt(クロクノウプロンプト)は、周囲の時間帯をステップバイステップで移動することで、時系列の知識を引き出すための奥行きである。
  論文  参考訳（メタデータ） (2024-10-13T15:08:49Z)
• Gradual Learning: Optimizing Fine-Tuning with Partially Mastered Knowledge in Large Language Models [51.20499954955646]
  大規模言語モデル(LLM)は、事前学習期間中に大量のテキストコーパスから膨大な量の知識を取得する。 微調整や推論のような後段では、モデルは初期訓練でカバーされていない知識に遭遇する可能性がある。 本稿では,モデル全体のテスト精度と知識保持性を改善するための2段階の微調整戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-08T08:35:16Z)
• Time Series Contrastive Learning with Information-Aware Augmentations [57.45139904366001]
  コントラスト学習の鍵となる要素は、いくつかの先行を示唆する適切な拡張を選択して、実現可能な正のサンプルを構築することである。 対照的な学習タスクやデータセットに意味のある時系列データの増大をどうやって見つけるかは、未解決の問題である。 本稿では,時系列表現学習のための最適な拡張を適応的に選択する情報認識拡張を用いた新しいコントラスト学習手法であるInfoTSを提案する。
  論文  参考訳（メタデータ） (2023-03-21T15:02:50Z)
• Knowledge-augmented Deep Learning and Its Applications: A Survey [60.221292040710885]
  知識強化ディープラーニング(KADL)は、ドメイン知識を特定し、それをデータ効率、一般化可能、解釈可能なディープラーニングのためのディープモデルに統合することを目的としている。 本調査は,既存の研究成果を補足し,知識強化深層学習の一般分野における鳥眼研究の展望を提供する。
  論文  参考訳（メタデータ） (2022-11-30T03:44:15Z)
• LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
  MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。 タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。 クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
  論文  参考訳（メタデータ） (2022-04-12T12:25:05Z)
• Lifelong Person Re-Identification via Adaptive Knowledge Accumulation [18.4671957106297]
  LReID(Lifelong person re-identification)は、複数のドメインにわたって継続的に学習することができる。 知識表現と知識操作という2つの重要な能力を備えた適応的知識蓄積フレームワークを設計する。 本手法は見かけのドメインの破滅的な忘れることを軽減し,未知のドメインに一般化する能力を示す。
  論文  参考訳（メタデータ） (2021-03-23T11:30:38Z)

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。