論文の概要: Few-Shot Domain Incremental Learning via Continual Vision-Language Consolidation

• arxiv url: http://arxiv.org/abs/2606.30190v1
• Date: Mon, 29 Jun 2026 12:04:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.212506
• Title: Few-Shot Domain Incremental Learning via Continual Vision-Language Consolidation
• Title（参考訳）: 連続的視覚・言語統合による数ショット領域増分学習
• Abstract要約: 既存のドメインインクリメンタルな学習戦略では、新しいドメインに適応するために大量のデータが必要である。 本稿では,FSDIL(Noth-shot Domain incremental Learning)という比較的非チャートな問題を提起する。 FL問題に対処するために, CVLC (Continuous Vision-Language Consolidation) という新しいアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 47.464187223507345
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Existing domain-incremental learning (DIL) strategies call for massive amounts of data to adapt to new domains and suffer from the overfitting problem in the case of data scarcity. This paper puts forward a relatively uncharted problem, namely, few-shot domain incremental learning (FSDIL), taking into account the problem of extreme data shortages in the realm of DIL. A novel algorithm, namely Continual Vision-Language Consolidation (CVLC), is proposed to address the FSDIL problem, where the key idea lies in the concept of latent space reservation in the base domain coupled with dual coalescent projection (DCP) as a parameter-efficient fine-tuning method. First, the vision prototype is calibrated while multiple templates and synonyms are generated via LLMs to induce the language prototype. The vision and language prototypes are fused. Adaptation to never-ending arrivals of new domains is done by the DCP technique, fine-tuned in such a way to prepare the model to unseen domains via latent-space reservations committed in the base domain. CVLC is structured under shared and domain-specific components to combine general knowledge and domain-specific details. The advantage of our approach is demonstrated through a range of benchmark problems and comparisons with prior arts, in which CVLC outperforms them by up to a 16% gap. Our codes are shared publicly in https://github.com/Naeem-Paeedeh/CVLC .
• Abstract（参考訳）: 既存のドメインインクリメンタルラーニング(DIL)戦略では、新しいドメインに適応するために大量のデータを必要とし、データ不足の場合には過度な問題に悩まされる。 本稿では、DILの領域における極端なデータ不足の問題を考慮し、ドメインインクリメンタルラーニング(FSDIL)という比較的未解決の問題を提起する。 FSDIL問題に対処するために,新たなアルゴリズムであるCVLC(Continuous Vision-Language Consolidation)が提案されている。 まず、視覚プロトタイプを校正し、複数のテンプレートとシノニムをLSM経由で生成し、言語プロトタイプを誘導する。 ビジョンと言語のプロトタイプは融合しています。 新しいドメインがいつまでも到着しないような適応は、ベースドメインで実行された潜在空間予約を通じて、ドメインを見えない状態にするためのモデルを作成するように微調整されたDCP技術によってなされる。 CVLCは、一般的な知識とドメイン固有の詳細を組み合わせるために、共有およびドメイン固有のコンポーネントに基づいて構成されている。 この手法の利点は、CVLCが最大16%の差で性能を上回る、様々なベンチマーク問題と先行技術との比較によって示される。 私たちのコードはhttps://github.com/Naeem-Paeedeh/CVLCで公開されています。

関連論文リスト

• Multi-Prompt Progressive Alignment for Multi-Source Unsupervised Domain Adaptation [73.40696661117408]
  未ラベルの下流タスクにCLIPを適用するためのプログレッシブアライメント戦略を提案する。 私たちはアプローチをMP2Aと名付け、ImageCLEF、Office-Home、そして最も難しいDomainNetという3つの人気のあるUDAベンチマークでテストします。 実験によると、MP2Aは最新のCLIPベースのMS-UDAアプローチと比較して最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-07-31T09:42:42Z)
• Text-Driven Causal Representation Learning for Source-Free Domain Generalization [82.75041792888274]
  我々は、ソースフリー領域一般化設定に因果推論を統合する最初の方法であるTDCRLを提案する。 我々のアプローチは、堅牢でドメイン不変な特徴を達成するための明確で効果的なメカニズムを提供し、堅牢な一般化を保証する。
  論文  参考訳（メタデータ） (2025-07-14T06:20:42Z)
• CoPT: Unsupervised Domain Adaptive Segmentation using Domain-Agnostic Text Embeddings [35.88225773710471]
  教師なしドメイン適応(Unsupervised domain adapt, UDA)は、ソースドメイン内のラベル付きデータからクラスセマンティクスを学習し、未確認のターゲットドメインに一般化する。 画像セグメンテーションエンコーダにおいて、ドメインに依存しないテキスト埋め込みを用いて、ドメイン不変の特徴を学習する新しいCovarianceベースのPixel-Text損失CoPTを提案する。 4つのベンチマーク実験において,CoPTを用いてトレーニングしたモデルが,セグメント化のためのUDA上でのアートパフォーマンスの新たな状態を達成することを示す。
  論文  参考訳（メタデータ） (2025-07-08T18:39:28Z)
• Towards Text-free Graph Foundation Models: Rethinking Multi-Domain Graph Contrastive Learning [40.56379624114316]
  本稿では,MDGCLという,新しいマルチドメイン事前学習およびクロスドメイン転送フレームワークを提案する。 事前学習の段階では、ドメインの違いを実質的に認識し、キャプチャするための対照的な学習戦略を設計する。 下流の段階では、細かなドメイン知識の伝達を可能にするためのドメインアテンション機構を導入する。
  論文  参考訳（メタデータ） (2025-06-26T03:14:50Z)
• Beyond Benchmarks: A Novel Framework for Domain-Specific LLM Evaluation and Knowledge Mapping [0.7555681642774916]
  本稿では,言語モデル(LM)評価における2つの重要な課題として,信頼性の高いドメイン固有ベンチマークの作成と,ドメイン適応時の知識表現の理解について論じる。 本稿では,LMや人為的なキュレーションに頼らずに,生のドメインコーパスを補完型ベンチマークに変換する決定論的パイプラインを提案する。 提案手法は,TFとTF-IDFを用いたドメイン固有キーワードと関連する単語リストを生成し,プロンプトとターゲットのペアを構築する。 我々は,これらのプロンプトを適切なドメイン固有ターゲットで完了させる能力を測定し,計算コストの低いドメイン知識を直接評価することによって,モデルを評価する。
  論文  参考訳（メタデータ） (2025-06-09T11:30:12Z)
• Towards Efficient Methods in Medical Question Answering using Knowledge Graph Embeddings [3.944219308229571]
  自然言語処理(NLP)では、機械読解(MRC)は与えられた文脈に基づいて質問に答えるタスクである。 医療領域における質問に対処するために、BioBERT、SciBERT、ChatGPTといった現代言語モデルは、膨大なドメイン内医療コーパスで訓練されている。 本稿では、そのようなドメイン固有の事前学習に頼ることなく、モデルにドメイン知識を注入するためのリソース効率のよいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-01-15T21:43:46Z)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)
• Inferring Latent Domains for Unsupervised Deep Domain Adaptation [54.963823285456925]
  Unsupervised Domain Adaptation (UDA)は、ラベル付きデータが利用できないターゲットドメインでモデルを学習する問題を指す。 本稿では,視覚データセット中の潜在ドメインを自動的に発見することにより,udaの問題に対処する新しい深層アーキテクチャを提案する。 提案手法を公開ベンチマークで評価し,最先端のドメイン適応手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-03-25T14:33:33Z)
• Discrepancy Minimization in Domain Generalization with Generative Nearest Neighbors [13.047289562445242]
  ドメイン一般化(Domain Generalization, DG)は、複数のソースドメインでトレーニングされた機械学習モデルが、統計の異なるターゲットドメインでうまく一般化できないという、ドメインシフトの問題を扱う。 シフト対象領域の一般化を保証するのに失敗するソースドメイン全体にわたるドメイン不変表現を学習することにより、ドメイン一般化の問題を解決するために、複数のアプローチが提案されている。 本稿では,GNNDM(Generative Nearest Neighbor Based Discrepancy Minimization)法を提案する。
  論文  参考訳（メタデータ） (2020-07-28T14:54:25Z)
• Domain Adaptation for Semantic Parsing [68.81787666086554]
  本稿では,ドメイン適応のための新しいセマンティクスを提案する。このセマンティクスでは,ソースドメインと比較して,対象ドメインのアノテーション付きデータがはるかに少ない。 我々のセマンティックな利点は、2段階の粗大なフレームワークから得ており、2段階の異なる正確な処理を提供できる。 ベンチマークデータセットの実験により、我々の手法はいくつかの一般的なドメイン適応戦略より一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2020-06-23T14:47:41Z)

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。