論文の概要: EGA: Adapting Frozen Encoders for Vector Search with Bounded Out-of-Distribution Degradation

• arxiv url: http://arxiv.org/abs/2605.05674v2
• Date: Fri, 08 May 2026 04:58:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 16:31:23.019502
• Title: EGA: Adapting Frozen Encoders for Vector Search with Bounded Out-of-Distribution Degradation
• Title（参考訳）: EGA: 分布外分解によるベクトル探索のための凍結エンコーダの適応
• Authors: Dongfang Zhao,
• Abstract要約: 本稿では,3つの原理を結合した残留アダプタであるユークリッドジオデシックアライメント(EGA)を提案する。 コンバージェンスでは9,6.5%のトリップレットが勾配無しであり、目に見えない地域ではほとんど触れられていない。 EGAは4つの一次分割において最も最悪なラベル精度を達成し、5番目の分割では一貫した改善を達成している。
• 参考スコア（独自算出の注目度）: 0.9179857807576733
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Vector search systems built on frozen vision encoders face queries from unseen classes at deployment, yet existing adapter training collapses under this shift: high-capacity adapters with global contrastive losses silently reassign unseen-class samples to wrong seen-class clusters, dropping worst-case Label Precision by over 40 points below the frozen baseline in our tests. We propose Euclidean Geodesic Alignment (EGA), a residual adapter that couples three principles: zero initialization, local triplet loss, and hypersphere projection. These collectively induce a self-limiting dynamic: triplets that already satisfy a small margin stop producing gradients, so the adapter automatically stops updating where the local geometry is already correct. Our experiments show that at convergence $96.5\%$ of triplets are gradient-free, leaving unseen-class regions largely untouched while still enabling full-capacity refinement of seen classes. Across five diverse out-of-distribution (OOD) benchmarks, EGA achieves the highest worst-case Label Precision on the four primary splits and a consistent improvement on the fifth. The design also transfers to stronger backbones in addition to CLIP, and we provide an analytical justification linking gradient sparsity to bounded OOD perturbation.
• Abstract（参考訳）: フリーズされた視覚エンコーダ上に構築されたベクトルサーチシステムは、デプロイ時に未確認のクラスからのクエリに直面するが、既存のアダプタトレーニングは、このシフトの下で崩壊する。 EGA(Euclidean Geodesic Alignment)は、ゼロ初期化、局所三重項損失、超球投影の3つの原理を結合した残留アダプタである。 これらは集合的に自己制限力学を誘導する: 既に小さなマージンを満たす三重項は勾配を発生させるため、アダプタは局所幾何学が既に正しい場所の更新を自動的に停止する。 実験の結果,コンバーゼンス9,6.5 % の3重項は勾配のない状態であり,未確認級の領域はほぼ無タッチのままでありながら,授業のフル容量化を実現していることがわかった。 5つの多様なアウト・オブ・ディストリビューション(OOD)ベンチマークで、EGAは4つのプライマリ分割における最も最悪のラベル精度と、第5に一貫した改善を達成している。 また,CLIPに加えて,より強い背骨に転移し,勾配幅を有界OOD摂動にリンクする解析的正当性を提供する。

関連論文リスト

• The Devil Is in Gradient Entanglement: Energy-Aware Gradient Coordinator for Robust Generalized Category Discovery [76.35318747478522]
  Energy-Aware Gradient Coordinator (EAGC) は、最適化プロセスを明示的に制御するプラグイン・アンド・プレイの勾配モジュールである。 EAGCはAnchor-based Gradient Alignment (AGA)とEnergy-Aware Elastic Projection (EEP)の2つのコンポーネントから構成される。
  論文  参考訳（メタデータ） (2026-03-25T14:58:42Z)
• Generalizing GNNs with Tokenized Mixture of Experts [75.8310720413187]
  安定性の向上には,変化に敏感な特徴への依存を低減し,既約最悪の一般化フロアを残す必要があることを示す。 本研究では,STEM-GNNを提案する。STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN。 9つのノード、リンク、グラフのベンチマークで、STEM-GNNはより強力な3方向バランスを実現し、クリアグラフ上での競争力を維持しながら、次数/ホモフィリーシフトや特徴/エッジの破損に対する堅牢性を改善している。
  論文  参考訳（メタデータ） (2026-02-09T22:48:30Z)
• Ambiguity-aware Point Cloud Segmentation by Adaptive Margin Contrastive Learning [65.94127546086156]
  本稿では,ポイントクラウド上のセマンティックセマンティックセグメンテーションのための適応的マージン比較学習法を提案する。 まず,両立度推定フレームワークにコントラスト学習を組み込んだAMContrast3Dを設計する。 共同トレーニングの洞察に触発されて、並列にトレーニングされた2つのブランチとAMContrast3D++を統合することを提案する。
  論文  参考訳（メタデータ） (2025-07-09T07:00:32Z)
• FedGA: Federated Learning with Gradient Alignment for Error Asymmetry Mitigation [5.3663750040721085]
  フェデレートラーニング(FL)は、クライアント内およびクライアント間クラス不均衡を引き起こす。 我々は、FedGAと呼ばれる勾配アライメント(GA)インフォームドFL法を提案する。
  論文  参考訳（メタデータ） (2024-12-21T11:15:20Z)
• Revisiting Domain-Adaptive 3D Object Detection by Reliable, Diverse and Class-balanced Pseudo-Labeling [38.07637524378327]
  ドメイン適応型3Dオブジェクト検出において,疑似ラベリング技術を用いた教師なしドメイン適応(DA)が重要なアプローチとして浮上している。 既存のDAメソッドは、マルチクラスのトレーニング環境に適用した場合、パフォーマンスが大幅に低下する。 本稿では,すべてのクラスを一度に検出する学習に適した新しいReDBフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-16T04:34:11Z)
• Guided Point Contrastive Learning for Semi-supervised Point Cloud Semantic Segmentation [90.2445084743881]
  そこで本研究では,モデル性能を向上させるために,未ラベルの点群をトレーニングに採用するための半教師付き点群セマンティックセマンティックセマンティックセマンティクスを提案する。 近年の自己監督型タスクのコントラスト損失に触発されて,特徴表現とモデル一般化能力を高めるためのガイド付きポイントコントラスト損失を提案する。
  論文  参考訳（メタデータ） (2021-10-15T16:38:54Z)

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。