論文の概要: HydraCIL: Decoupled Class-Incremental Learning through Prototype-Guided Multi-Head Classifiers

• arxiv url: http://arxiv.org/abs/2606.09960v1
• Date: Mon, 08 Jun 2026 12:52:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.093151
• Title: HydraCIL: Decoupled Class-Incremental Learning through Prototype-Guided Multi-Head Classifiers
• Title（参考訳）: HydraCIL: プロトタイプガイド型マルチヘッド分類器による非結合型クラスインクリメンタルラーニング
• Authors: Daniel Vila-Cruz, Laura Morán-Fernández, Verónica Bolón-Canedo,
• Abstract要約: プロトタイプ誘導型マルチヘッド分類器に基づく非結合型連続学習モデルHydraCILを提案する。 以上の結果から,HydraCILはトレーニング時間と炭素フットプリントを大幅に削減しつつ,最先端のCIL手法に適合または優れることを示す。 これは、エネルギー効率と迅速な適応が不可欠である実世界および組み込み環境での継続的な学習のための実践的なソリューションである。
• 参考スコア（独自算出の注目度）: 1.8798171797988195
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present HydraCIL, a decoupled continual learning model based on prototype-guided multi-head classifiers, targeting sustainable deployment in embedded and resource-constrained environments. While most Class-Incremental Learning (CIL) methods rely on powerful hardware and long retraining cycles, real-world systems, such as robots or edge AI devices, must adapt quickly with limited resources. HydraCIL addresses this gap by freezing the backbone and decoupling feature extraction from learning. For each task, features are extracted once and a lightweight, task-specific classifier head is created, avoiding costly backbone retraining. At inference, HydraCIL selects the appropriate head via similarity with prototypes. Experiments on CIFAR-100, ImageNet-100, CoRe50, and Flowers102 datasets show that HydraCIL matches or outperforms state-of-the-art CIL methods while significantly reducing training time and carbon footprint, making it a practical solution for continual learning in real-world and embedded settings, where energy efficiency and rapid adaptation are critical.
• Abstract（参考訳）: 本稿では,プロトタイプ誘導型マルチヘッド分類器に基づく非結合型連続学習モデルであるHydraCILについて述べる。 ほとんどのクラスインクリメンタルラーニング(CIL)手法は、強力なハードウェアと長いトレーニングサイクルに依存しているが、ロボットやエッジAIデバイスのような現実世界のシステムは、限られたリソースで迅速に適応しなければならない。 HydraCILはこのギャップに対処するため、バックボーンを凍結し、学習から特徴抽出を分離する。 各タスクに対して、機能を一度抽出し、軽量でタスク固有のクラシファイアヘッドを作成し、コストのかかるバックボーンの再トレーニングを回避する。 推測では、HydraCILはプロトタイプと類似して適切なヘッドを選択する。 CIFAR-100、ImageNet-100、CoRe50、Flowers102データセットの実験では、HydraCILは最先端のCILメソッドにマッチするか、性能を向上し、トレーニング時間と炭素フットプリントを著しく削減している。

関連論文リスト

• SCPL: Enhancing Neural Network Training Throughput with Decoupled Local Losses and Model Parallelism [2.4349098308669594]
  本稿では、BPを分離し、長い勾配流を複数の短絡に変換することでこの問題に対処する新しい学習手法である Supervised Contrastive Parallel Learning (SCPL) を提案する。 BP, Early Exit, GPipe, Associated Learning (AL)と比較して, バックプロパゲーションをデカップリングするための最先端手法である。 SCPLは、高度な情報システムをよりコスト効率よく、よりアジリティで開発し、展開するための実践的な経路を提供する。
  論文  参考訳（メタデータ） (2026-01-20T09:19:30Z)
• Efficient Single-Step Framework for Incremental Class Learning in Neural Networks [43.1212452324751]
  CIFNet(Class Incremental and Frugal Network)は、高効率で持続可能なソリューションを提供することによって制限に対処する新しいCILアプローチである。 予め訓練された凍結された特徴抽出器は、背骨の計算コストの高い微調整を除去する。 ベンチマークデータセットの実験では、CIFNetはそのレベルで破滅的な忘れを効果的に軽減し、既存の最先端手法に匹敵する高い精度を達成することが確認されている。
  論文  参考訳（メタデータ） (2025-09-14T14:24:41Z)
• Learning from Stochastic Teacher Representations Using Student-Guided Knowledge Distillation [64.15918654558816]
  教師表現のフィルタリングと重み付けのための自己蒸留(SSD)訓練戦略を導入し,タスク関連表現のみから抽出する。 UCR Archiveのウェアラブル/バイオサインデータセット、HARデータセット、画像分類データセットなどの実世界の感情コンピューティングに関する実験結果は、提案したSSD手法が最先端の手法より優れていることを示している。
  論文  参考訳（メタデータ） (2025-04-19T14:08:56Z)
• Bridging the Resource Gap: Deploying Advanced Imitation Learning Models onto Affordable Embedded Platforms [13.488752211167533]
  先進的な模倣学習アルゴリズムのエッジデバイスへの移行を容易にするパイプラインを提案する。 提案するパイプラインの効率性を示すため,大規模な模倣学習モデルがサーバ上で訓練され,エッジデバイス上に展開され,様々な操作処理が完了する。
  論文  参考訳（メタデータ） (2024-11-18T09:28:11Z)
• PILoRA: Prototype Guided Incremental LoRA for Federated Class-Incremental Learning [41.984652077669104]
  標準データセットによる実験結果から,本手法は最先端の手法よりも優れていたことが示唆された。 本手法は, 異なる設定, データの均一度において, 強靭性と優越性を示す。
  論文  参考訳（メタデータ） (2024-01-04T06:46:19Z)
• Unifying Synergies between Self-supervised Learning and Dynamic Computation [53.66628188936682]
  SSLとDCのパラダイム間の相互作用に関する新しい視点を提示する。 SSL設定において、スクラッチから高密度かつゲートされたサブネットワークを同時に学習することは可能であることを示す。 密集エンコーダとゲートエンコーダの事前学習における共進化は、良好な精度と効率のトレードオフをもたらす。
  論文  参考訳（メタデータ） (2023-01-22T17:12:58Z)
• Layer Pruning on Demand with Intermediate CTC [50.509073206630994]
  我々はコネクショニスト時間分類(CTC)に基づくASRの訓練と刈り取り方法を提案する。 本稿では,Transformer-CTCモデルをオンデマンドで様々な深さでプルーニングできることを示し,GPU上でのリアルタイム係数を0.005から0.002に改善した。
  論文  参考訳（メタデータ） (2021-06-17T02:40:18Z)
• Hyperparameter Auto-tuning in Self-Supervised Robotic Learning [12.193817049957733]
  不十分な学習(局所最適収束による)は、冗長な学習が時間と資源を浪費する一方で、低パフォーマンスの政策をもたらす。 自己教師付き強化学習のためのエビデンス下界(ELBO)に基づく自動チューニング手法を提案する。 本手法は,オンラインで自動チューニングが可能であり,計算資源のごく一部で最高の性能が得られる。
  論文  参考訳（メタデータ） (2020-10-16T08:58:24Z)

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。