論文の概要: Continual Segmentation under Joint Nonstationarity

• arxiv url: http://arxiv.org/abs/2605.20538v1
• Date: Tue, 19 May 2026 22:20:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.399274
• Title: Continual Segmentation under Joint Nonstationarity
• Title（参考訳）: 関節非定常下での連続的セグメンテーション
• Authors: Prashant Pandey, Himanshu Kumar, Devineni Sri Venkatraya Chowdary, Brejesh Lall,
• Abstract要約: 進化するデータストリームは連続的なセマンティックセグメンテーションにおいて関節の非定常性を誘導する。 この設定は、実際に構築された予測システムを反映しているが、従来の連続的な学習作業では、ほとんど探索されていない。 連成クラス,ドメイン,ラベルのシフトの下で連続的なセグメンテーションを定式化し,異種密接な予測環境における学習について検討する。
• 参考スコア（独自算出の注目度）: 8.522964568257455
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Evolving data streams induce joint nonstationarity in continual semantic segmentation, where semantic classes, input distributions, and supervision availability change simultaneously over time. This setting reflects practical structured prediction systems, yet remains largely unexplored in prior continual learning work, which typically studies these factors in isolation. We formalize continual segmentation under coupled class, domain, and label shifts and investigate learning in heterogeneous dense prediction environments with limited annotations and abundant unlabeled data. To address instability and overfitting arising from few-shot supervision under distribution drift, we introduce gradient-adaptive stabilization, a parameter-wise regularization mechanism implemented via gradient-scaled stochastic perturbations that promotes a principled stability-plasticity tradeoff. We further leverage unlabeled data through semi-supervised learning and introduce prototype anchored supervision that validates pseudo-labels via joint confidence and prototype consistency. Together, these mechanisms enable learning under joint nonstationarity in continual segmentation. Extensive empirical evaluation across class-incremental, domain-incremental, and few-shot regimes demonstrates consistent improvements over prior methods in heterogeneous structured prediction settings. Our results expose fundamental failure modes of existing continual segmentation approaches and provide insight into learning robust dense predictors in dynamically evolving environments.
• Abstract（参考訳）: データストリームの進化は、セマンティックなセマンティックセグメンテーションにおいて共同で非定常性を誘導する。 この設定は、実際に構築された予測システムを反映しているが、通常はこれらの要因を独立して研究する事前学習作業では、ほとんど探索されていない。 クラス,ドメイン,ラベルの組み合わせによる連続的セグメンテーションを定式化し,アノテーションと豊富なラベル付きデータを用いた多種密予測環境における学習について検討する。 分散ドリフト下での少数ショットの監督による不安定性や過適合性に対処するため, 安定塑性トレードオフを促進する勾配スケール確率摂動を用いたパラメータワイド正規化機構である勾配適応安定化を導入する。 さらに、半教師付き学習を通じてラベルなしデータを活用し、共同信頼とプロトタイプの整合性を通じて擬似ラベルを検証したプロトタイプアンカー付き監視を導入する。 これらのメカニズムは、連続的なセグメンテーションにおける関節非定常性の下での学習を可能にする。 クラスインクリメンタル、ドメインインクリメンタル、および少数ショットレギュレーションにわたる広範な経験的評価は、異種構造予測設定における先行手法よりも一貫した改善を示す。 本結果は,既存の連続セグメント化手法の基本的障害モードを明らかにし,動的に進化する環境において,頑健な高密度予測器の学習に関する知見を提供する。

関連論文リスト

• Dance Across Shifts: Forward-Facilitation Continual Test-Time Adaptation through Dynamic Style Bridging [65.11234199720428]
  継続的テスト時間適応(Continuous Test-Time Adaptation)は、デプロイメント後に発生する動的分散シフトを処理するために、知覚システムを強化することを目的としている。 動的スタイルブリッジと呼ばれる手法により,新しいフォワードファシリケーションパラダイムを導入する。 テスト期間中に、固有の生成バイアスを緩和し、これらのプロキシを入力データに適用するために、マルチレベルブリッジ機構を提案する。
  論文  参考訳（メタデータ） (2026-05-18T16:18:17Z)
• Dual-Stage Invariant Continual Learning under Extreme Visual Sparsity [8.16821029459195]
  背景駆動の勾配は、連続的なドメインシフトの間、機能のバックボーンを不安定にすることを示す。 連成蒸留による二段階不変連続学習フレームワークを提案する。 高分解能空間ベース RSO 検出データセットの実験は、確立された連続物体検出法よりも一貫した改善を示す。
  論文  参考訳（メタデータ） (2026-03-27T09:03:49Z)
• CURVE: Learning Causality-Inspired Invariant Representations for Robust Scene Understanding via Uncertainty-Guided Regularization [30.613712415224473]
  CURVEは、変動不確実性モデリングと不確実性誘導構造正規化を統合し、高分散関係を抑制するフレームワークである。 具体的には,環境依存的変動から不変な相互作用力学を解離させ,スパースかつ領域安定なトポロジを促進させる。 実験により,CURVEをゼロショット転送と低データのsim-to-real適応で評価し,領域安定なスパーストポロジの学習能力を検証するとともに,分布シフト下でのリスク予測を支援するための信頼性の高い不確実性推定を行う。
  論文  参考訳（メタデータ） (2026-01-28T08:15:56Z)
• Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
  コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。 シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。 マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
  論文  参考訳（メタデータ） (2025-10-09T04:48:49Z)
• Uncertainty Awareness on Unsupervised Domain Adaptation for Time Series Data [49.36938105983916]
  教師なし領域適応法は、ラベルのないテストデータに効果的に一般化しようとする。 本稿では,ドメイン間の一般化とロバスト性を改善するために,マルチスケールの特徴抽出と不確実性推定を導入することを提案する。
  論文  参考訳（メタデータ） (2025-08-26T03:13:08Z)
• FARCLUSS: Fuzzy Adaptive Rebalancing and Contrastive Uncertainty Learning for Semi-Supervised Semantic Segmentation [26.585985828583304]
  半教師付きセマンティックセグメンテーション(SSSS)は、ラベルのないデータを効果的に活用する上で、永続的な課題に直面している。 現在のアプローチは、しばしば支配階級を優先する厳格なしきい値によって不確実な地域を捨てる。 我々は,不確実性を4つの主要コンポーネントを通じて学習資産に変換する総合的な枠組みを導入する。
  論文  参考訳（メタデータ） (2025-06-11T03:47:08Z)
• Which Invariance Should We Transfer? A Causal Minimax Learning Approach [18.71316951734806]
  本稿では、因果的観点からの包括的ミニマックス分析について述べる。 最小の最悪のリスクを持つサブセットを探索する効率的なアルゴリズムを提案する。 本手法の有効性と有効性は, 合成データとアルツハイマー病の診断で実証された。
  論文  参考訳（メタデータ） (2021-07-05T09:07:29Z)
• Discrete Variational Attention Models for Language Generation [51.88612022940496]
  本稿では,言語における離散性に起因する注意機構のカテゴリー分布を考慮した離散的変動注意モデルを提案する。 離散性の特質により,提案手法の訓練は後部崩壊に支障を来さない。
  論文  参考訳（メタデータ） (2020-04-21T05:49:04Z)
• GenDICE: Generalized Offline Estimation of Stationary Values [108.17309783125398]
  重要なアプリケーションでは,効果的な推定が依然として可能であることを示す。 我々のアプローチは、定常分布と経験分布の差を補正する比率を推定することに基づいている。 結果として得られるアルゴリズム、GenDICEは単純で効果的である。
  論文  参考訳（メタデータ） (2020-02-21T00:27:52Z)

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。