論文の概要: Beyond Classification: Dynamic Adapter Routing for Continual Multimodal Retrieval
- arxiv url: http://arxiv.org/abs/2605.31229v1
- Date: Fri, 29 May 2026 12:32:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-01 20:56:50.602407
- Title: Beyond Classification: Dynamic Adapter Routing for Continual Multimodal Retrieval
- Title（参考訳）: 分類を超えて: 連続的マルチモーダル検索のための動的アダプタルーティング
- Abstract要約: 本稿では,多様な視覚領域にまたがる連続的マルチモーダル検索(CMR)の原理的評価フレームワークを提案する。
私たちの経験的分析は、標準のCILメソッドがより困難なシナリオにおいて有意義な利得を得られていないことを示している。
本稿では,プロトタイプベースのルーティングによって選択され,モデルマージによって結合されたアダプタに基づく新しいアプローチである動的ルーティングアダプタ(DAR)を提案する。
- 参考スコア（独自算出の注目度）: 16.629210107453464
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While retrieval is a core function of vision-language models, continually updating these models for retrieval tasks remains critically underexplored. Existing work often approaches continual retrieval through the lens of class-incremental learning (CIL), evaluating both standard CIL methods and retrieval-oriented adaptations in settings that may not fully capture the retrieval-specific dynamics. To address this, we introduce a new, principled evaluation framework for continual multimodal retrieval (CMR) spanning diverse visual domains, and systematically evaluate common approaches within this setting. Our empirical analysis shows that standard CIL methods fail to yield meaningful gains in our more challenging scenario. Therefore, we propose Dynamic Adapter Routing (DAR), a novel approach based on adapters selected through prototype-based routing and combined via model merging.DAR achieves superior performance over the previous baselines and demonstrates strong generalization under out-of-distribution evaluation. Our results highlights the unique challenges of CMR and encourages further research in this direction.
- Abstract（参考訳）: 検索は視覚言語モデルの中核機能であるが、検索タスクのためにこれらのモデルを継続的に更新することは、いまだに過小評価されている。
既存の研究はしばしば、クラス増分学習(CIL)のレンズによる連続的な検索にアプローチし、標準のCIL法と検索指向の適応の両方を、検索固有のダイナミクスを完全に捉えないような設定で評価する。
そこで本稿では,多様な視覚領域にまたがる連続的マルチモーダル検索(CMR)のための,新しい基本的評価フレームワークを導入し,この設定における共通アプローチを体系的に評価する。
私たちの経験的分析は、標準のCILメソッドがより困難なシナリオにおいて有意義な利得を得られていないことを示している。
そこで本研究では,プロトタイプベースのルーティングによって選択され,モデルマージによって結合されたアダプタに基づく新しいアプローチであるDynamic Adapter Routing (DAR)を提案する。
この結果はCMRの特異な課題を浮き彫りにし,その方向性についてさらなる研究を奨励するものである。
関連論文リスト
- DRM: Diffusion-based Reward Model With Step-wise Guidance [6.839893415984142]
拡散モデル(Diffusion-based Reward Model, DRM)は、事前学習した拡散モデルを強力な評価バックボーンとして利用する新しいパラダイムである。
本稿では,不正確なクレジット代入問題を解決するために,高密度なステップごとの報酬を提供する強化学習アルゴリズムGRPOを提案する。
論文 参考訳（メタデータ） (2026-05-25T10:11:32Z) - RubricEM: Meta-RL with Rubric-guided Policy Decomposition beyond Verifiable Rewards [76.17893114021757]
長い形式のレポートを計画し、調査し、エビデンスを評価し、合成する深層研究システムには、根本的な答えがなく、多くのツール強化された決定にまたがる。
本研究では,ルーブリックは最終回答評価者だけでなく,ポリシーの実行,判断フィードバック,エージェントメモリを構成する共有インターフェースとして機能すべきである,と論じる。
我々は、段階的な政策分解とリフレクションに基づくメタ政治進化を組み合わせたルーリック誘導強化学習フレームワークEMを導入する。
論文 参考訳（メタデータ） (2026-05-11T17:40:38Z) - Revitalizing the Beginning: Avoiding Storage Dependency for Model Merging in Continual Learning [57.10440766103372]
Trajectory Regularized Merging (TRM) は、拡張されたトラジェクトリ部分空間内の最適化プロセスとしてマージフェーズを再構成するフレームワークである。
本フレームワークは,タスクアライメント,予測整合性,勾配応答性といった3つの相乗的目標を統合し,統合モデルの履歴安定性と再活性化最適化のダイナミクスを同時に保存する。
論文 参考訳（メタデータ） (2026-05-08T14:07:32Z) - Beyond Error-Based Optimization: Experience-Driven Symbolic Regression with Goal-Conditioned Reinforcement Learning [14.473539776112666]
EGRL-SR(Experience-driven Goal- Conditioned Reinforcement Learning for Regression)という新しいフレームワークを提案する。
目標条件付き強化学習問題として記号回帰を定式化し、後続経験リプレイを取り入れた。
我々は、低エラー表現よりも構造パターンに注目するアクション値ネットワークを奨励する、全点満足度二項報酬関数を設計する。
論文 参考訳（メタデータ） (2026-01-21T06:08:37Z) - Generative Actor Critic [74.04971271003869]
Generative Actor Critic (GAC) は、軌道上での関節分布の生成モデル学習として、テキスト政治評価を反映して、シーケンシャルな意思決定を分離する新しいフレームワークである。
Gym-MuJoCoとMaze2Dベンチマークの実験では、GACの強いオフライン性能と、最先端の手法と比較してオフラインからオフラインへの大幅な改善が示されている。
論文 参考訳（メタデータ） (2025-12-25T06:31:11Z) - CIR-CoT: Towards Interpretable Composed Image Retrieval via End-to-End Chain-of-Thought Reasoning [93.05917922306196]
Composed Image Retrieval (CIR) は、参照画像と修正テキストから対象画像を見つけることを目的としている。
CIR-CoTは、明示的なChain-of-Thought (CoT)推論を統合するために設計された最初のエンドツーエンド検索指向MLLMである。
論文 参考訳（メタデータ） (2025-10-09T09:41:45Z) - Modeling Ranking Properties with In-Context Learning [13.34397013426643]
本稿では,各ランキングシナリオやデータセットに対するタスク固有のトレーニングを不要とする,コンテキスト内学習(ICL)アプローチを提案する。
提案手法は,現在入力に類似した過去の問合せの目的間のトレードオフを示す少数の事例ランキングに依存する。
論文 参考訳（メタデータ） (2025-05-23T10:58:22Z) - Self-Controlled Dynamic Expansion Model for Continual Learning [10.447232167638816]
本稿では, 自己制御型動的拡張モデル(SCDEM)を提案する。
SCDEMは複数のトレーニング可能なトレーニング済みのViTバックボーンを編成し、多様で意味的に豊かな表現を提供する。
提案手法の有効性を評価するため,幅広い実験が実施されている。
論文 参考訳（メタデータ） (2025-04-14T15:22:51Z) - Composed Multi-modal Retrieval: A Survey of Approaches and Applications [81.54640206021757]
複合マルチモーダル検索(CMR)は次世代技術として誕生する。
CMRは、参照視覚入力とテキスト修正を統合することで、画像やビデオをクエリすることを可能にする。
本稿では,CMRの基礎的課題,技術的進歩,応用について概説する。
論文 参考訳（メタデータ） (2025-03-03T09:18:43Z) - Chain-of-Retrieval Augmented Generation [91.02950964802454]
本稿では,o1-like RAGモデルを学習し,最終回答を生成する前に段階的に関連情報を抽出・推論する手法を提案する。
提案手法であるCoRAGは,進化状態に基づいて動的にクエリを再構成する。
論文 参考訳（メタデータ） (2025-01-24T09:12:52Z) - Learning to Rank in Generative Retrieval [62.91492903161522]
生成的検索は、検索対象として関連する通路の識別子文字列を生成することを目的としている。
我々はLTRGRと呼ばれる生成検索のための学習 torankフレームワークを提案する。
このフレームワークは、現在の生成的検索システムを強化するために、追加の学習からランクまでのトレーニングフェーズのみを必要とする。
論文 参考訳（メタデータ） (2023-06-27T05:48:14Z)
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。