論文の概要: HEDP: A Hybrid Energy-Distance Prompt-based Framework for Domain Incremental Learning

• arxiv url: http://arxiv.org/abs/2605.05776v1
• Date: Thu, 07 May 2026 07:09:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.588222
• Title: HEDP: A Hybrid Energy-Distance Prompt-based Framework for Domain Incremental Learning
• Title（参考訳）: HEDP:ドメインインクリメンタルラーニングのためのハイブリッドエネルギー距離プロンプトベースのフレームワーク
• Authors: Yu Feng, Zhen Tian, Haoran Luo, Xie Yu, Diancheng Cheng, Haoyue Zheng, Shuai Lyu, Ping Zong, Lianyuan Li, Xin Ge, Yifan Zhu,
• Abstract要約: 本稿では,Helmholtz自由エネルギーにインスパイアされたドメインインクリメンタルフレームワークであるHybrid Energy-Distance Promptを提案する。 CORe50を含む複数のベンチマークの実験では、HEDPは2.57%の精度で未確認領域で優れたパフォーマンスを達成している。
• 参考スコア（独自算出の注目度）: 13.795396487001854
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Domain Incremental Learning is a critical scenario that requires models to continuously adapt to new data domains without retraining. However, domain shifts often cause severe performance degradation. To address this, we propose Hybrid Energy-Distance Prompt, a domain-incremental framework inspired by Helmholtz free energy. HEDP introduces an energy regularization loss to enhance the separability of domain representations and a hybrid energy-distance weighted mechanism that fuses energy-based and distance-based cues to improve domain selection and generalization. Experiments on multiple benchmarks, including CORe50, show that HEDP achieves superior performance on unseen domains with a 2.57\% accuracy gain, effectively mitigating catastrophic forgetting and enhancing open-world adaptability. Our code is \href{https://github.com/dannis97500/HEDP/}{available here}.
• Abstract（参考訳）: ドメインインクリメンタルラーニング(Domain Incremental Learning)は、モデルが再トレーニングせずに新しいデータドメインに継続的に適応する必要がある重要なシナリオである。 しかし、ドメインシフトは、しばしば深刻なパフォーマンス低下を引き起こす。 これを解決するために,Hybrid Energy-Distance Promptを提案する。 HEDPは、ドメイン表現の分離性を高めるためのエネルギー正規化損失と、エネルギーベースと距離ベースを融合させてドメイン選択と一般化を改善するハイブリッドエネルギー距離重み付け機構を導入している。 CORe50を含む複数のベンチマークの実験では、HEDPは2.57 %の精度の未確認領域において優れた性能を達成し、破滅的な忘れ込みを効果的に軽減し、オープンワールド適応性を高めることが示されている。 私たちのコードは \href{https://github.com/dannis97500/HEDP/}{ available here} です。

関連論文リスト

• DRAMA: Domain Retrieval using Adaptive Module Allocation [19.15437181769345]
  DRAMA(Domain Retrieval using Adaptive Module Allocation)は、ニューラル検索の環境フットプリントを減らすために設計されたエネルギー効率とパラメータ効率のフレームワークである。 本稿では,ニューラル検索の環境フットプリントを低減するために設計されたエネルギー効率およびパラメータ効率のフレームワークであるDRAMAを紹介する。
  論文  参考訳（メタデータ） (2026-02-16T17:38:24Z)
• Boosting Domain Incremental Learning: Selecting the Optimal Parameters is All You Need [25.45880299215022]
  ドメインインクリメンタルラーニング(DIL)は、連続的なモデル適応を可能にするソリューションを提供する。 既存のPIDILメソッドは、ドメインの数と対応するクラスが増加するにつれてパラメータ選択の精度に悩まされる。 PIDILにおけるドメイン選択を改善する軽量フレームワークSOYOを提案する。
  論文  参考訳（メタデータ） (2025-05-29T17:58:57Z)
• Let Synthetic Data Shine: Domain Reassembly and Soft-Fusion for Single Domain Generalization [68.41367635546183]
  単一ドメインの一般化は、単一のソースからのデータを使用して、さまざまなシナリオで一貫したパフォーマンスでモデルをトレーニングすることを目的としている。 モデル一般化を改善するために合成データを活用した学習フレームワークDRSFを提案する。
  論文  参考訳（メタデータ） (2025-03-17T18:08:03Z)
• GDO:Gradual Domain Osmosis [5.620015188968398]
  本稿では,GDA(Gradual Domain Adaptation)において,ソースドメインからターゲットドメインへのスムーズな知識マイグレーションの問題を解決することを目的とした,Gradual Domain Osmosisと呼ばれる新しい手法を提案する。 従来のGradual Domain Adaptationメソッドは、中間ドメインの導入と自己学習戦略によってドメインバイアスを軽減するが、多くの場合、中間ドメインにおける非効率的な知識マイグレーションや欠落データといった課題に直面している。
  論文  参考訳（メタデータ） (2025-01-31T14:25:45Z)
• Domain Re-Modulation for Few-Shot Generative Domain Adaptation [71.47730150327818]
  生成ドメイン適応(Generative Domain Adaptation, GDA)は、トレーニング済みのジェネレータを、いくつかの参照イメージのみを使用して、ひとつのドメインから新しいドメインに転送する。 人間の脳が新しいドメインの知識を得る方法に触発されて、ドメイン再構成(DoRM)と呼ばれる革新的なジェネレータ構造を提示する。 DoRMは、高品質、大規模な合成の多様性、ドメイン間の整合性の基準を満たすだけでなく、メモリとドメインの関連も含んでいる。
  論文  参考訳（メタデータ） (2023-02-06T03:55:35Z)
• Adversarial Bi-Regressor Network for Domain Adaptive Regression [52.5168835502987]
  ドメインシフトを軽減するために、クロスドメインレグレッタを学ぶことが不可欠です。 本稿では、より効果的なドメイン間回帰モデルを求めるために、ABRNet(Adversarial Bi-Regressor Network)を提案する。
  論文  参考訳（メタデータ） (2022-09-20T18:38:28Z)
• Active Learning for Domain Adaptation: An Energy-based Approach [23.941952424634685]
  対象領域における知識伝達を支援する,アクティブドメイン適応という,新たなアクティブな学習戦略を提案する。 我々のアルゴリズムであるEnergy-based Active Domain Adaptation (EADA)は、各選択ラウンドにドメイン特性とインスタンスの不確実性の両方を組み込んだタージデータのグループをクエリする。
  論文  参考訳（メタデータ） (2021-12-02T16:53:06Z)
• Improving Unsupervised Domain Adaptation by Reducing Bi-level Feature Redundancy [14.94720207222332]
  本稿では,UDAを両面的に改善する上で,特徴冗長性を低減することの重要性を強調した。 最初のレベルでは、転送可能な非相関正規化モジュールを用いて、コンパクトなドメイン特化機能を保証する。 第2のレベルでは、ドメイン共有表現によって引き起こされるドメイン不変特徴冗長性は、代替ブランド性によってさらに軽減される。
  論文  参考訳（メタデータ） (2020-12-28T08:00:56Z)
• Deep Residual Correction Network for Partial Domain Adaptation [79.27753273651747]
  ディープドメイン適応法は、よくラベルされたソースドメインから異なるが関連する未ラベルのターゲットドメインへの転送可能な表現を学習することで、魅力的なパフォーマンスを実現している。 本稿では,効率よく実装された深部残留補正網を提案する。 部分的、伝統的、微粒なクロスドメイン認識に関する総合的な実験は、DRCNが競合深いドメイン適応アプローチよりも優れていることを示している。
  論文  参考訳（メタデータ） (2020-04-10T06:07:16Z)

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。