論文の概要: Continual Distillation of Teachers from Different Domains

• arxiv url: http://arxiv.org/abs/2605.04059v1
• Date: Fri, 10 Apr 2026 10:26:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 06:56:26.54653
• Title: Continual Distillation of Teachers from Different Domains
• Title（参考訳）: 異なる領域の教師の連続蒸留
• Authors: Nicolas Michel, Maorong Wang, Jiangpeng He, Toshihiko Yamasaki,
• Abstract要約: 連続蒸留 (Continuous Distillation, CD) とは、学生が初期の教師へのアクセスを保たずに、教師モデルのストリームから逐次学習する場である。 外部ラベルのないデータにより、Unseen Knowledge Transfer (UKT)を可能にする 自己外部データ蒸留(Self Foreign Data Distillation, SE2D)は、異種教員間の学習を安定させるために外部データのロジットを保存する方法である。
• 参考スコア（独自算出の注目度）: 42.04667797788917
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning models continue to scale, with some requiring more storage than many large-scale datasets. Thus, we introduce a new paradigm: Continual Distillation (CD), where a student learns sequentially from a stream of teacher models without retaining access to earlier teachers. CD faces two challenges: teacher training data is unavailable, and teachers have varying expertise. We show that external unlabeled data enables Unseen Knowledge Transfer (UKT), allowing the student to acquire information from domains not present in the training data, while known to the teacher. We also show that sequential distillation causes Unseen Knowledge Forgetting (UKF) when transferred knowledge is lost after training on later teachers. To better trade off between UKT and UKF, we propose Self External Data Distillation (SE2D), a method that preserves logits on external data to stabilize learning across heterogeneous teachers. Experiments on multiple benchmarks show that SE2D reduces UKF and improves cross-domain generalization. The code and implementation for this work are publicly available at: https://github.com/Nicolas1203/continual_distillation.
• Abstract（参考訳）: ディープラーニングモデルは拡大を続けており、大規模なデータセットよりも多くのストレージを必要とするものもある。 そこで本研究では,教師モデルのストリームから学生が早期の教師へのアクセスを保たずに逐次学習する,連続蒸留(CD)という新しいパラダイムを導入する。 CDは2つの課題に直面している。教師のトレーニングデータは利用できないし、教師には様々な専門知識がある。 本研究では,教師に知られながら,教師が学習データに存在しない領域から情報を得ることのできる,未知の知識伝達(Unseen Knowledge Transfer, UKT)を可能にすることを示す。 また, 逐次蒸留は, 後発教師の研修後, 伝達知識が失われる場合に, 未確認知識収集(UKF)を引き起こすことを示す。 イギリスとイギリスの間でのトレードオフを改善するため、異種教員間の学習を安定させるために外部データのロジットを保存する手法であるSelf Foreign Data Distillation (SE2D)を提案する。 複数のベンチマークの実験では、SE2DはUKFを減らし、ドメイン間の一般化を改善することが示されている。 この作業のコードと実装は、https://github.com/Nicolas1203/continual_distillation.comで公開されている。

関連論文リスト

• Uncertainty-Aware Knowledge Distillation for Multimodal Large Language Models [26.06143154557816]
  知識蒸留は、データ監督と教師指導の両方を活用する学習パラダイムを確立する。 本研究では,教師の指導にどの程度依存しているかを規定する不確実性を考慮した蒸留フレームワークであるBeta-KDを提案する。
  論文  参考訳（メタデータ） (2026-03-22T22:33:25Z)
• Learning from Stochastic Teacher Representations Using Student-Guided Knowledge Distillation [64.15918654558816]
  教師表現のフィルタリングと重み付けのための自己蒸留(SSD)訓練戦略を導入し,タスク関連表現のみから抽出する。 UCR Archiveのウェアラブル/バイオサインデータセット、HARデータセット、画像分類データセットなどの実世界の感情コンピューティングに関する実験結果は、提案したSSD手法が最先端の手法より優れていることを示している。
  論文  参考訳（メタデータ） (2025-04-19T14:08:56Z)
• Improved knowledge distillation by utilizing backward pass knowledge in neural networks [17.437510399431606]
  知識蒸留(KD)は、モデル圧縮において重要な技術の一つである。 本研究では,教師の後方パスから知識を抽出し,新たな補助訓練サンプルを作成する。 自然言語処理(NLP)と言語理解(Language understanding)の応用において,この手法がいかにうまく利用できるかを示す。
  論文  参考訳（メタデータ） (2023-01-27T22:07:38Z)
• Exploring Inconsistent Knowledge Distillation for Object Detection with Data Augmentation [66.25738680429463]
  物体検出のための知識蒸留(KD)は、教師モデルから知識を伝達することで、コンパクトな検出器を訓練することを目的としている。 教師モデルの反直感的知覚に固有の知識を蒸留することを目的とした,一貫性のない知識蒸留(IKD)を提案する。 本手法は, 1段, 2段, アンカーフリーの物体検出器において, 最先端のKDベースラインより優れる。
  論文  参考訳（メタデータ） (2022-09-20T16:36:28Z)
• Can Bad Teaching Induce Forgetting? Unlearning in Deep Networks using an Incompetent Teacher [6.884272840652062]
  そこで本研究では,学習者・教師の知能・能力に乏しい教師を学習者・教師の枠組みで探究し,忘れがちさを誘発する手法を提案する。 有能で無能な教師からの知識は、学生に選択的に伝達され、忘れデータに関する情報を含まないモデルが得られる。 ゼロ・ナッシング(ZRF)メトリクスを導入し、未学習の手法を評価する。
  論文  参考訳（メタデータ） (2022-05-17T05:13:17Z)
• Extracting knowledge from features with multilevel abstraction [3.4443503349903124]
  自己知識蒸留(SKD)は、大きな教師モデルから小さな学生モデルに知識を移すことを目的としている。 本稿では,本手法と異なる方法で,新しいSKD手法を提案する。 実験とアブレーション研究は、様々なタスクにおいて、その大きな効果と一般化を示している。
  論文  参考訳（メタデータ） (2021-12-04T02:25:46Z)
• Fixing the Teacher-Student Knowledge Discrepancy in Distillation [72.4354883997316]
  本稿では,教師の知識を学生とより整合させる,新たな学生依存型蒸留法である知識一貫型蒸留を提案する。 この手法は非常に柔軟で,他の最先端手法と容易に組み合わせることができる。
  論文  参考訳（メタデータ） (2021-03-31T06:52:20Z)
• Role-Wise Data Augmentation for Knowledge Distillation [48.115719640111394]
  知識蒸留(KD)は、ある機械学習モデルから学んだ知識を別の機械学習モデルに転送する一般的な方法である。 我々は、知識蒸留を促進するために、異なる役割を持つデータ増強剤を設計する。 特別に調整されたデータポイントが、教師の知識をより効果的に生徒に示せることを実証的に見出した。
  論文  参考訳（メタデータ） (2020-04-19T14:22:17Z)

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。