論文の概要: Cross-Sample Relational Fusion: Unifying Domain Generalization and Class-Incremental Learning

• arxiv url: http://arxiv.org/abs/2605.08839v1
• Date: Sat, 09 May 2026 09:49:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:49.922653
• Title: Cross-Sample Relational Fusion: Unifying Domain Generalization and Class-Incremental Learning
• Title（参考訳）: クロスサンプルリレーショナルフュージョン:ドメイン一般化とクラスインクリメンタルラーニングの統合
• Abstract要約: CIL(Class-Incremental Learning)は、学習システムにおいて、それまでの知識を維持しつつ、新しいクラスを学ぶことを必要とする。 自動運転車のような現実のシナリオでは、晴れた日に都市部の道路で訓練されたシステムは、後に農村部や高速道路環境で運用する必要がある。 ドメインシフトと破滅的な忘れを同時に解決する統合フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 83.67663266193308
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Class-Incremental Learning (CIL) requires a learning system to learn new classes while retaining previously learned knowledge. However, in real-world scenarios such as autonomous driving, a system trained on urban roads in sunny weather may later need to operate in rural or highway environments with different traffic patterns and weather conditions. This requires the model not only to overcome catastrophic forgetting, but also to effectively handle domain shifts. In this paper, we propose CrOss-sample Relational Fusion (CORF), a unified framework to address domain shift and catastrophic forgetting simultaneously. To enhance generalizability, we perform selective refinement of training samples by leveraging spatial contribution maps to highlight semantically informative regions. Furthermore, we incorporate predictive confidence to adaptively weigh samples, thereby facilitating the learning of domain-agnostic representations. To alleviate forgetting, we propose a cascaded distillation framework that captures cross-sample relational dependencies across multiple feature hierarchies, enabling multi-grained knowledge transfer from previous tasks. CORF can be seamlessly integrated into existing CIL algorithms to enhance their generalizability, achieving competitive performance across various benchmark datasets. Code is available at https://github.com/LAMDA-CL/TMM26-CORF .
• Abstract（参考訳）: CIL(Class-Incremental Learning)は、学習システムにおいて、それまでの知識を維持しつつ、新しいクラスを学ぶことを必要とする。 しかし、自動運転車のような現実のシナリオでは、晴れた日に都市部の道路で訓練されたシステムは、後に異なる交通パターンと天候条件で農村部や高速道路環境で運用する必要がある可能性がある。 これにより、モデルは破滅的な忘れを克服するだけでなく、ドメインシフトを効果的に処理する必要がある。 本稿では,ドメインシフトと破滅的忘れを同時に解決する統合フレームワークであるCrOss-sample Relational Fusion (CORF)を提案する。 一般化性を高めるために,空間貢献マップを利用して意味情報領域をハイライトすることで,学習サンプルの選択的洗練を行う。 さらに、予測信頼を組み込んでサンプルを適応的に測定し、ドメインに依存しない表現の学習を容易にする。 本稿では,複数の特徴階層にまたがるクロスサンプルリレーショナル依存関係を捕捉し,従来のタスクから多義的な知識伝達を可能にするカスケード蒸留フレームワークを提案する。 CORFは既存のCILアルゴリズムにシームレスに統合され、その一般化性を高め、さまざまなベンチマークデータセット間での競合性能を達成する。 コードはhttps://github.com/LAMDA-CL/TMM26-CORFで入手できる。

関連論文リスト

• Adaptive Learning Strategies for AoA-Based Outdoor Localization: A Comprehensive Framework [4.445694723459059]
  本稿では,2つの代替学習戦略からなるAoAベースのローカライゼーションのための適応フレームワークを提案する。 提案するフレームワークは,実大規模多重出力(mMIMO)データセットを用いて評価する。 その結果,オンライン学習を活用することで,ネットワーク運用中に高い精度のロバストなローカライゼーションを実現することが可能であることが示唆された。
  論文  参考訳（メタデータ） (2026-05-06T15:51:34Z)
• Enhancing Gradient Inversion Attacks in Federated Learning via Hierarchical Feature Optimization [56.95448807869383]
  フェデレートラーニング(FL)は、プライバシを保存する分散機械学習の魅力的なパラダイムとして登場した。 近年の研究では、FLシステムで交換される勾配もプライバシー漏洩に弱いことが報告されている。 我々は textbfGradient textbfInversion over textbfFeature textbfDomains (GIFD) を提案する。
  論文  参考訳（メタデータ） (2026-04-01T14:32:15Z)
• Knowledge-Aware Evolution for Streaming Federated Continual Learning with Category Overlap and without Task Identifiers [0.0]
  Federated Continual Learning (FCL)は、非定常データにおける新たな知識獲得と事前知識保持のバランスをとるために、クライアント間コラボレーションを活用する。 既存のバッチベースのFCLメソッドでは、古いデータと新しいデータのカテゴリオーバーラップとタスク識別子の欠如を特徴とするストリーミングシナリオへの適応性が欠如している。 連立学習(FL)ラウンド毎に、クライアントは、非結合なサンプルでストリーミングデータを処理し、タスク識別子を使わずに、潜在的に重複するカテゴリを処理します。 複数のシナリオにわたる実験と後悔の分析は、FedKACEの有効性を示している。
  論文  参考訳（メタデータ） (2026-01-27T16:50:48Z)
• RECALL: REpresentation-aligned Catastrophic-forgetting ALLeviation via Hierarchical Model Merging [33.22889542330089]
  大規模言語モデル(LLM)の内部表現は、学習知識の信頼できるプロキシとして機能する。 本稿では,過去データにアクセスせずに連続的な学習を行うための表現認識モデル統合フレームワークRECALLを提案する。
  論文  参考訳（メタデータ） (2025-10-23T12:17:37Z)
• A Spatiotemporal Correspondence Approach to Unsupervised LiDAR Segmentation with Traffic Applications [16.260518238832887]
  鍵となる考え方は、動的ポイントクラウドシーケンスの性質を活用し、非常に強力なシナリオを導入することである。 我々は、グループへのセマンティクスの最適化と、ポイントワイトテンポラルラベルを用いたクラスタリングを交互に行う。 本手法は,教師なし学習方式で識別的特徴を学習することができる。
  論文  参考訳（メタデータ） (2023-08-23T21:32:46Z)
• Beyond Transfer Learning: Co-finetuning for Action Localisation [64.07196901012153]
  同時に、複数のアップストリームとダウンストリームのタスクで1つのモデルをトレーニングする。 共ファインタニングは、同じデータ量を使用する場合、従来のトランスファーラーニングよりも優れていることを示す。 さらに、複数のアップストリームデータセットへのアプローチを簡単に拡張して、パフォーマンスをさらに向上する方法も示しています。
  論文  参考訳（メタデータ） (2022-07-08T10:25:47Z)
• Federated Learning Framework Coping with Hierarchical Heterogeneity in Cooperative ITS [10.087704332539161]
  階層的不均一性(H2-Fed)に対処する連合学習フレームワークを提案する。 このフレームワークは、ユーザーデータのプライバシに影響を与えることなく、車両ネットワーク内の接続された公共交通機関のデータを利用する。
  論文  参考訳（メタデータ） (2022-04-01T05:33:54Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
  本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。 また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
  論文  参考訳（メタデータ） (2020-12-01T11:46:03Z)
• Learning to Combine: Knowledge Aggregation for Multi-Source Domain Adaptation [56.694330303488435]
  マルチソースドメイン適応(LtC-MSDA)フレームワークを併用する学習法を提案する。 簡単に言うと、知識グラフは様々なドメインのプロトタイプ上に構築され、セマンティックに隣接した表現間の情報伝達を実現する。 我々のアプローチは、既存の手法よりも顕著なマージンで優れています。
  論文  参考訳（メタデータ） (2020-07-17T07:52:44Z)

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。