論文の概要: Online Continual Learning with Dynamic Label Hierarchies

• arxiv url: http://arxiv.org/abs/2605.11742v1
• Date: Tue, 12 May 2026 08:20:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.703719
• Title: Online Continual Learning with Dynamic Label Hierarchies
• Title（参考訳）: 動的ラベル階層によるオンライン連続学習
• Authors: Xinrui Wang, Shao-Yuan Li, Bartłomiej Twardowski, Alexandra Gomez-Villa, Songcan Chen,
• Abstract要約: 粒度をまたいで重大度が進化する新しい問題設定であるDHOCLを導入し,各サンプルは単一階層レベルでの監視を行う。 i) 混合粒度の部分的監視は、塑性を制約し、階層間のセマンティック一貫性を損なう、進化するパスワイド階層上のポイントワイド信号のみを提供する。 本稿では,相補的分類を適応的に組み合わせ,学習可能な階層型プロトタイプによって正規化し,素早い適応,階層的整合性,構造的知識の統合を可能にするHALOを提案する。
• 参考スコア（独自算出の注目度）: 72.33335166136045
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Online Continual Learning (OCL) aims to learn from endless non\text{-}stationary data streams, yet most existing methods assume a flat label space and overlook the hierarchical organization of real\text{-}world concepts that evolves both horizontally (sibling classes) and vertically (coarse or fine categories). To better reflect this context, we introduce a new problem setting, DHOCL (Online Continual Learning from Dynamic Hierarchies), where taxonomies evolve across granularities and each sample provides supervision at a single hierarchical level. In this setting, we find two fundamental issues: (i) partial supervision under mixed granularities provides only point-wise signals over an evolving path-wise hierarchy, which constrains plasticity and undermines cross-level semantic consistency, and (ii) the dynamically evolving hierarchies induce granularity-dependent interference, destabilizing popular replay and regularization mechanisms and thereby exacerbating catastrophic forgetting. To tackle these issues, we propose HALO (Hierarchical Adaptive Learning with Organized Prototypes), which adaptively combines complementary classification heads, regularized by organized learnable hierarchical prototypes, enabling rapid adaptation, hierarchical consistency, and structured knowledge consolidation as the taxonomy evolves. Extensive experiments on multiple benchmarks demonstrate that HALO consistently outperforms existing methods across hierarchical accuracy, mistake severity, and continual performance.
• Abstract（参考訳）: オンライン連続学習(OCL)は、無限に非\text{-}定常データストリームから学習することを目的としているが、既存のほとんどの手法はフラットなラベル空間を仮定し、水平に(兄弟クラス)と垂直に(粗いカテゴリまたは細いカテゴリ)に進化する実\text{-}世界の概念の階層的な構造を見落としている。 この状況をよりよく反映するために、DHOCL (Online Continual Learning from Dynamic Hierarchies)という新しい問題設定を導入する。 この設定では、2つの根本的な問題を見つけます。 (i)混合粒度の部分的監視は、塑性を制約し、クロスレベルなセマンティック一貫性を損なう、進化するパスワイズ階層上のポイントワイズ信号のみを提供する。 二 動的に進化する階層は、粒度依存的な干渉を誘発し、人気のあるリプレイと正規化機構を不安定化し、破滅的な忘れを悪化させる。 これらの課題に対処するため,HALO(Hierarchical Adaptive Learning with Organized Prototypes)を提案する。 複数のベンチマークでの大規模な実験により、HALOは階層的精度、誤りの重大さ、連続的なパフォーマンスで既存のメソッドを一貫して上回ります。

関連論文リスト

• SC-Taxo: Hierarchical Taxonomy Generation under Semantic Consistency Constraints using Large Language Models [24.295783768613344]
  高品質の科学的分類法は、研究分野の構造的かつ階層的な表現を提供する。 既存の分類学のアプローチは、しばしば階層的なレベルの構造上の矛盾と意味的なミスアライメントに悩まされる。
  論文  参考訳（メタデータ） (2026-05-01T12:42:44Z)
• Learning Consistent Taxonomic Classification through Hierarchical Reasoning [61.372270953201955]
  分類学分類における葉レベル精度と階層的整合性を改善するための2段階階層型推論フレームワークを提案する。 我々のフレームワークはQwen2.5-VL-7Bモデルで実装され、葉レベルと階層的整合性の両方で元の72Bを10%以上上回っている。
  論文  参考訳（メタデータ） (2026-01-21T03:00:00Z)
• Learning and Evaluating Hierarchical Feature Representations [3.770103075126785]
  我々は、直交部分空間の階層的構成(Hier-COS)という新しい枠組みを提案する。 Hier-COSは、与えられた分類木の構造と整合した設計により、深い特徴埋め込みをベクトル空間にマッピングすることを学ぶ。 Hier-COSはすべてのデータセットにまたがって最先端の階層的パフォーマンスを実現し,同時に1つのケースを除いてトップ1の精度を上回ります。
  論文  参考訳（メタデータ） (2025-03-10T20:59:41Z)
• TAG: A Decentralized Framework for Multi-Agent Hierarchical Reinforcement Learning [4.591755344464076]
  完全に分散化された階層型マルチエージェントシステムを構築するためのフレームワークであるTAME Agent Framework (TAG)を紹介する。 TAGは疎結合を維持しながらレベル間の情報フローを標準化し、多様なエージェントタイプをシームレスに統合する。 この結果から,分散階層型組織は学習速度と最終性能を両立させ,TAGをスケーラブルなマルチエージェントシステムにとって有望な方向と位置づけた。
  論文  参考訳（メタデータ） (2025-02-21T12:52:16Z)
• Online Continual Learning on Hierarchical Label Expansion [28.171890301966616]
  階層型ラベル展開(HLE)という,オンライン学習制約付き多階層型階層型インクリメンタルタスク構成を提案する。 我々の構成により、ネットワークはまず粗粒度のクラスを学習でき、データラベルは様々な階層の深さにおいてより細かい粒度のクラスに継続的に拡張される。 実験により,提案手法はHLE設定の階層構造を効果的に利用し,階層全体の分類精度を向上させることができることを示した。
  論文  参考訳（メタデータ） (2023-08-28T07:42:26Z)
• Weakly-supervised Action Localization via Hierarchical Mining [76.00021423700497]
  弱教師付きアクションローカライゼーションは、ビデオレベルの分類ラベルだけで、与えられたビデオ内のアクションインスタンスを時間的にローカライズし、分類することを目的としている。 ビデオレベルおよびスニペットレベルでの階層的マイニング戦略,すなわち階層的監視と階層的一貫性マイニングを提案する。 我々は、HiM-NetがTHUMOS14とActivityNet1.3データセットの既存の手法よりも、階層的に監督と一貫性をマイニングすることで、大きなマージンを持つことを示す。
  論文  参考訳（メタデータ） (2022-06-22T12:19:09Z)
• Use All The Labels: A Hierarchical Multi-Label Contrastive Learning Framework [75.79736930414715]
  本稿では,すべての利用可能なラベルを活用でき,クラス間の階層的関係を維持できる階層型多言語表現学習フレームワークを提案する。 比較損失に階層的ペナルティを併用し,その階層的制約を強制する。
  論文  参考訳（メタデータ） (2022-04-27T21:41:44Z)
• Provable Hierarchy-Based Meta-Reinforcement Learning [50.17896588738377]
  HRLをメタRL設定で解析し、下流タスクで使用するメタトレーニング中に学習者が潜在階層構造を学習する。 我々は、この自然階層の標本効率の回復を保証し、抽出可能な楽観主義に基づくアルゴリズムとともに「多様性条件」を提供する。 我々の境界は、時間的・状態的・行動的抽象化などのHRL文献に共通する概念を取り入れており、我々の設定と分析が実際にHRLの重要な特徴を捉えていることを示唆している。
  論文  参考訳（メタデータ） (2021-10-18T17:56:02Z)
• Dual-constrained Deep Semi-Supervised Coupled Factorization Network with Enriched Prior [80.5637175255349]
  本稿では、DS2CF-Netと呼ばれる、拡張された事前制約付きDual-Constrained Deep Semi-Supervised Coupled Factorization Networkを提案する。 隠れた深い特徴を抽出するために、DS2CF-Netは、深い構造と幾何学的な構造に制約のあるニューラルネットワークとしてモデル化される。 我々のネットワークは、表現学習とクラスタリングのための最先端の性能を得ることができる。
  論文  参考訳（メタデータ） (2020-09-08T13:10:21Z)

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。