論文の概要: A Strong Balanced-Softmax Classifier-Retraining Baseline for Long-Tailed Recognition

• arxiv url: http://arxiv.org/abs/2607.09832v1
• Date: Fri, 10 Jul 2026 14:04:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.224537
• Title: A Strong Balanced-Softmax Classifier-Retraining Baseline for Long-Tailed Recognition
• Title（参考訳）: 長手音声認識のための強平衡ソフトマックス分類器制御ベースライン
• Abstract要約: 長い尾の認識法は、頻繁に行われるクラスの優位性を減らすために損失、マージン、表現を変化させる。 BS-cRTは,バックボーンとコサイン分類器をバランスド・ソフトマックスで訓練する2段階のプロシージャである。 BS-cRT は一致した Balanced Softmax チェックポイントよりもFew-shot の精度を一貫して向上することを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long-tailed recognition methods often modify losses, margins, or representations to reduce the dominance of frequent classes. We ask whether, after Balanced Softmax training, the remaining tail error can be reduced by retraining only the classifier. We evaluate BS-cRT, a two-stage procedure that trains a backbone and cosine classifier with Balanced Softmax, freezes the backbone, and updates only the classifier on balanced episodic batches. The second stage keeps the empirical-prior Balanced Softmax objective and uses raw cosine logits at inference. Across CIFAR-100-LT, CIFAR-10-LT, ImageNet-LT, and Places-LT, this classifier-only step consistently improves Few-shot accuracy over the matched Balanced Softmax checkpoint. At imbalance factor 100, Few-shot gains are +5.15 points on CIFAR-100-LT and +5.83 on CIFAR-10-LT; on ImageNet-LT and Places-LT, gains are +6.92 and +9.78 points, respectively, with a Top-1/Few-shot trade-off on ImageNet-LT. We also analyze Counterfactual Boundary Risk Minimization (CBRM), a boundary-probe extension using prototype-based features near decision boundaries. CBRM identifies two failure modes: scaled-logit cosine margins destabilize training, and corrected hardest-negative probes remain head-class anchored. The results support BS-cRT as a practical classifier-side baseline and indicate that boundary supervision must account for class frequency.
• Abstract（参考訳）: 長い尾の認識法は、しばしば、しばしばクラスの優位性を減らすために損失、マージン、表現を変更する。 バランスド・ソフトマックス・トレーニングの後、分類器のみを再訓練することで残余のテール誤差を低減できるかどうかを問う。 BS-cRTは、バックボーンとコサイン分類器をバランスドソフトマックスで訓練し、バックボーンを凍結し、バランスの取れたエピソードバッチ上でのみ分類器を更新する2段階の手順である。 第2段階では、経験的優先のSoftmax目標を維持し、推論時に生のコサインロジットを使用する。 CIFAR-100-LT、CIFAR-10-LT、ImageNet-LT、Places-LT全体で、この分類器のみのステップは一致したSoftmaxチェックポイント上でのFew-shot精度を一貫して改善する。 不均衡係数100では、CIFAR-100-LTで+5.15点、CIFAR-10-LTで+5.83点、ImageNet-LTで+6.92点、Places-LTで+9.78点、ImageNet-LTでTop-1/Few-shotトレードオフがある。 また,決定境界近傍のプロトタイプベース特徴を用いた境界プローブ拡張であるCBRMを解析した。 CBRMは2つの障害モードを識別する:スケールド・ロジット・コサイン・マージンはトレーニングを不安定にし、修正された最強負プローブはヘッドクラスのアンカーのままである。 結果は,BS-cRTを実用的な分類器側ベースラインとしてサポートし,境界監督がクラス周波数を考慮しなければならないことを示す。

関連論文リスト

• Guidance Breaks the Fitted Operator: A Terminal-Fitted Repair for Classifier-Free Guidance [0.6768558752130311]
  インテグレータ分析レンズを用いて拡散フリーガイダンス(CFG)を解析する。 このガイダンスは, 判別部分空間を, 異常な1+wに正確に再シュミレーションすることを示す。 DDIMはもはや装着されておらず、粗いメッシュ上では、sigma_minがゼロになるにつれて、ガイドされた残基が分岐する。
  論文  参考訳（メタデータ） (2026-07-08T17:21:51Z)
• RVPO: Risk-Sensitive Alignment via Variance Regularization [13.192921543523283]
  本稿では, 利便集約時のリワード間分散をペナルティ化するリスクセンシティブなフレームワークであるReward-Variance Policy Optimization (RVPO)を提案する。 我々はTaylor拡張を通して、LogSumExp(SoftMin)オペレータがスムーズな分散ペナルティとして効果的に働くことを示す。 モデルがより簡単な目的を活かすために難しい制約を無視しないようにすることで、RVPOはHealthBenchの全体的なスコアを改善する。
  論文  参考訳（メタデータ） (2026-05-07T06:43:05Z)
• SOAR: Self-Correction for Optimal Alignment and Refinement in Diffusion Models [48.335262141752715]
  拡散モデルのための後トレーニングパイプラインには、キュレートされたデータに対する教師付き微調整(SFT)と報酬モデルによる強化学習(RL)の2段階がある。 本稿では,このギャップを埋めるバイアス補正ポストトレーニング法であるSOAR(Self-Correction for Optimal Alignment and Refinement)を提案する。 オンライン政治であり、報酬なしであり、クレジット割り当ての問題なく、時間ごとの密集した監督を提供する。
  論文  参考訳（メタデータ） (2026-04-14T11:45:15Z)
• Reinforcement Learning with Verifiable yet Noisy Rewards under Imperfect Verifiers [90.50039419576807]
  RLVR(Reinforcement Learning with Verifiable Rewards)は、人為的なラベル付けを避けるために、自動検証に対するポリシーを訓練する。 認証ハッキングの脆弱性を軽減するため、多くのRLVRシステムはトレーニング中にバイナリ$0,1$の報酬を破棄する。 この選択にはコストがかかる:textitfalse negatives(正しい回答、FNを拒絶)とtextitfalse positives(間違った回答、FPを受け入れる)を導入する。
  論文  参考訳（メタデータ） (2025-10-01T13:56:44Z)
• SPLITZ: Certifiable Robustness via Split Lipschitz Randomized Smoothing [8.471466670802817]
  SPLITZは、敵の例に証明可能な堅牢性を提供するための実用的で斬新なアプローチである。 SPLITZのモチベーションは、多くの標準ディープネットワークがリプシッツ定数の不均一性を示すという観察から来ている。 SPLITZは、MNIST、CIFAR-10、ImageNetデータセットにおける既存の最先端のアプローチを一貫して改善することを示す。
  論文  参考訳（メタデータ） (2024-07-03T05:13:28Z)
• BaCon: Boosting Imbalanced Semi-supervised Learning via Balanced Feature-Level Contrastive Learning [0.9160375060389779]
  クラス不均衡半教師学習(CISSL)では、信頼できない擬似ラベルによって引き起こされるバイアスは、不均衡なデータ分布によって悪化させることができる。 提案手法は、よく設計されたコントラスト的な方法で、インスタンスの表現の分布を直接正規化する。 提案手法は, CIFAR10-LT, CIFAR100-LT, STL10-LT, SVHN-LTデータセットの包括的実験により有効性を示す。
  論文  参考訳（メタデータ） (2024-03-04T06:43:16Z)
• Rethinking Classifier Re-Training in Long-Tailed Recognition: A Simple Logits Retargeting Approach [102.0769560460338]
  我々は,クラスごとのサンプル数に関する事前知識を必要とせず,シンプルなロジットアプローチ(LORT)を開発した。 提案手法は,CIFAR100-LT, ImageNet-LT, iNaturalist 2018など,様々な不均衡データセットの最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-03-01T03:27:08Z)
• Certified Robust Models with Slack Control and Large Lipschitz Constants [102.69689641398227]
  本稿では,2つの問題に対処するCalibrated Lipschitz-Margin Loss (CLL)を提案する。 第一に、一般的に使用されるマージン損失は、縮小する出力分布に対する罰則を調整しない。 第二に、$K$の最小化は過度に滑らかな決定関数をもたらす。 我々のCLLは、損失w.r.t.マージンとリプシッツ定数を明示的に調整することでこれらの問題に対処する。
  論文  参考訳（メタデータ） (2023-09-12T12:23:49Z)
• Improved techniques for deterministic l2 robustness [63.34032156196848]
  畳み込みニューラルネットワーク(CNN)を$l_2$ノルムの下で厳密な1-Lipschitz制約で訓練することは、対向的堅牢性、解釈可能な勾配、安定した訓練に有用である。 我々は,最後の線形層を1重層に置き換えることで,1-Lipschitz CNNのロバスト性を証明する手法を提案する。 我々は,CIFAR-10およびCIFAR-100における標準および証明可能な堅牢な精度の最先端化を図る。
  論文  参考訳（メタデータ） (2022-11-15T19:10:12Z)
• You Only Need End-to-End Training for Long-Tailed Recognition [8.789819609485225]
  クロスエントロピー損失は、不均衡なデータに非常に相関した特徴をもたらす傾向にある。 ブロックベース相対平衡バッチサンプリング(B3RS)とバッチ埋め込みトレーニング(BET)の2つの新しいモジュールを提案する。 CIFAR-LT と ImageNet-LT の長期分類ベンチマークによる実験結果から,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2021-12-11T11:44:09Z)
• Improving Calibration for Long-Tailed Recognition [68.32848696795519]
  このようなシナリオにおけるキャリブレーションとパフォーマンスを改善する2つの方法を提案します。 異なるサンプルによるデータセットバイアスに対して,シフトバッチ正規化を提案する。 提案手法は,複数の長尾認識ベンチマークデータセットに新しいレコードをセットする。
  論文  参考訳（メタデータ） (2021-04-01T13:55:21Z)

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。