論文の概要: TypiCore: A Hybrid Active Query Strategy for Class-Incremental Learning on Time Series

• arxiv url: http://arxiv.org/abs/2607.17632v1
• Date: Mon, 20 Jul 2026 07:39:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.537387
• Title: TypiCore: A Hybrid Active Query Strategy for Class-Incremental Learning on Time Series
• Title（参考訳）: TypiCore: 時系列のクラスインクリメンタル学習のためのハイブリッドなアクティブクエリ戦略
• Abstract要約: 時系列データは、医療や製造業など、さまざまな分野において重要な役割を担っている。 実世界のデータストリームが完全にラベル付けされることはめったにない。 我々は、典型型と多様性に基づくサンプル選択を交互に行う、新しいハイブリッドクエリ戦略であるTypiCoreを提案する。
• 参考スコア（独自算出の注目度）: 9.523019337276908
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series data play a pivotal role across numerous domains, including healthcare and manufacturing. In real-world environments, models must cope with distribution shifts over time, a challenge commonly addressed through Continual Learning (CL) techniques. However, existing CL methods face a critical limitation: real-world data streams are rarely fully labeled, making annotation cost a major practical constraint. This paper investigates Active Class-Incremental Learning (ACIL) for multivariate time series, where a model must sequentially learn new classes while selectively querying labels under a fixed annotation budget. We present a systematic evaluation of a wide range of query strategies combined with multiple rehearsal-based approaches, assessing their impact on plasticity, stability, and label efficiency across four benchmark datasets. Our analysis reveals the limitations of uncertainty-based and distribution-aware methods in achieving strong performance under constrained labeling budgets. To address these shortcomings, we propose TypiCore, a novel hybrid query strategy that alternates between typicality-based and diversity-based sample selection across active learning cycles, enabling the construction of memory buffers that are both representative and diverse. Evaluated on the TSCIL benchmark, TypiCore delivers statistically significant improvements over all baselines and matches or surpasses fully supervised continual learning performance on multiple datasets while requiring a fraction of the available labels.
• Abstract（参考訳）: 時系列データは、医療や製造業など、さまざまな分野において重要な役割を担っている。 現実の環境では、モデルは時間とともに分布の変化に対処しなければなりません。 しかし、既存のCLメソッドには限界があり、実世界のデータストリームが完全にラベル付けされることは滅多になく、アノテーションのコストが大きな実用的な制約となっている。 本稿では,多変量時系列のアクティブクラス増分学習(ACIL)について検討する。そこでは,モデルが固定アノテーション予算の下でラベルを選択的にクエリしながら,新しいクラスを逐次学習する必要がある。 我々は,複数のリハーサルベースのアプローチと組み合わせた幅広いクエリ戦略の体系的評価を行い,その可塑性,安定性,ラベル効率への影響を4つのベンチマークデータセットで評価した。 本分析は,制約付きラベル付予算下での強靭な性能を実現する上で,不確実性に基づく分布認識手法の限界を明らかにするものである。 このような欠点に対処するため,我々はTypiCoreを提案する。TypiCoreは,定性ベースと多様性ベースのサンプル選択を,アクティブな学習サイクルで交互に交互に行い,代表的かつ多様なメモリバッファの構築を可能にするハイブリッドクエリ戦略である。 TSCILベンチマークで評価されたTypiCoreは、利用可能なラベルのごく一部を必要としながら、すべてのベースラインとマッチを統計的に大幅に改善し、複数のデータセット上で完全な教師付き連続学習パフォーマンスを達成または超える。

関連論文リスト

• FB-NLL: A Feature-Based Approach to Tackle Noisy Labels in Personalized Federated Learning [2.750124853532831]
  ユーザクラスタリングを反復的なトレーニングダイナミクスから切り離す機能中心のフレームワークであるFB-NLLを提案する。 我々のフレームワークは、平均精度と性能の安定性の観点から、常に最先端のベースラインを上回ります。
  論文  参考訳（メタデータ） (2026-04-21T17:51:58Z)
• LibContinual: A Comprehensive Library towards Realistic Continual Learning [62.34449396069085]
  継続的学習(CL)における根本的な課題は破滅的な忘れ込みであり、新しいタスクに適応することで、以前のタスクのパフォーマンスが低下する。 現実的なCLの基礎となるプラットフォームとして設計された,包括的で再現可能なライブラリであるLibContinualを提案する。
  論文  参考訳（メタデータ） (2025-12-26T13:59:13Z)
• Continual Learning for VLMs: A Survey and Taxonomy Beyond Forgetting [70.83781268763215]
  視覚言語モデル(VLM)は、大規模事前学習を活用することで、多様なマルチモーダルタスクにおいて優れたパフォーマンスを実現している。 VLMは、クロスモーダル機能ドリフト、共有アーキテクチャによるパラメータ干渉、ゼロショット機能侵食など、ユニークな課題に直面している。 本調査は、生涯の視覚言語システムを開発する研究者にとって、包括的かつ診断的な基準となることを目的としている。
  論文  参考訳（メタデータ） (2025-08-06T09:03:10Z)
• FIC-TSC: Learning Time Series Classification with Fisher Information Constraint [8.414596562236326]
  時系列データを分析することは、経済学、オンラインマーケットプレース、人間の医療など、幅広い分野のアプリケーションに不可欠である。 時系列データは、しばしばトレーニングとテストセットの間のドメインシフトに悩まされ、分類性能が劇的に低下する。 我々は、フィッシャー情報を制約として利用する時系列分類のためのトレーニングフレームワーク、textitFIC-TSCを提案する。
  論文  参考訳（メタデータ） (2025-05-09T15:13:27Z)
• From Offline to Online Memory-Free and Task-Free Continual Learning via Fine-Grained Hypergradients [24.963242232471426]
  継続的学習(CL)は、基礎となる分散が時間とともに変化する非定常データストリームから学ぶことを目的としている。 オンラインCL(onCL)は依然としてメモリベースのアプローチに支配されている。 トレーニング中に勾配更新を再バランスするオンラインメカニズムであるFine-Grained Hypergradientsを導入する。
  論文  参考訳（メタデータ） (2025-02-26T02:43:54Z)
• Words Matter: Leveraging Individual Text Embeddings for Code Generation in CLIP Test-Time Adaptation [21.20806568508201]
  テスト時推論において視覚言語モデル(VLM)が遭遇する分布ドリフトを軽減するために,クラステキスト情報を活用する方法を示す。 本稿では,ラベル割り当て問題の固定セントロイドとしてジェネリッククラステキスト埋め込みを利用して,テスト時間サンプルの擬似ラベルを生成することを提案する。 多様な複雑性を示す複数の人気のあるテスト時間適応ベンチマークの実験は、CLIP-OTの優位性を実証的に示している。
  論文  参考訳（メタデータ） (2024-11-26T00:15:37Z)
• LC-Protonets: Multi-Label Few-Shot Learning for World Music Audio Tagging [65.72891334156706]
  ラベル結合型プロトタイプネットワーク(LC-Protonets)を導入し,複数ラベルの複数ショット分類の問題に対処する。 LC-Protonetsは、限られたトレーニング項目に存在するラベルのパワーセットから、ラベルの組み合わせごとに1つのプロトタイプを生成する。 本手法は,様々な文化をカバーし,現代音楽と伝統音楽の両方を含む,多様な音楽データセットにまたがる自動音声タグ付けに適用する。
  論文  参考訳（メタデータ） (2024-09-17T15:13:07Z)
• Learning to Learn for Few-shot Continual Active Learning [9.283518682371756]
  継続的な学習は、新しいドメインで可塑性を示しながら、以前見たタスクを解く際の安定性を確保するために努力する。 連続学習の最近の進歩は、特にNLPドメインにおいて、主に教師付き学習環境に限られている。 我々はメタラーニングを活用し,メタコンチネンタルアクティブラーニングと呼ばれる手法を提案する。
  論文  参考訳（メタデータ） (2023-11-07T05:22:11Z)
• Large-scale Pre-trained Models are Surprisingly Strong in Incremental Novel Class Discovery [76.63807209414789]
  我々は,クラスiNCDにおける現状問題に挑戦し,クラス発見を継続的に,真に教師なしで行う学習パラダイムを提案する。 凍結したPTMバックボーンと学習可能な線形分類器から構成される単純なベースラインを提案する。
  論文  参考訳（メタデータ） (2023-03-28T13:47:16Z)
• A Multi-label Continual Learning Framework to Scale Deep Learning Approaches for Packaging Equipment Monitoring [57.5099555438223]
  連続シナリオにおけるマルチラベル分類を初めて研究した。 タスク数に関して対数的複雑性を持つ効率的なアプローチを提案する。 我々は,包装業界における実世界のマルチラベル予測問題に対するアプローチを検証した。
  論文  参考訳（メタデータ） (2022-08-08T15:58:39Z)
• vCLIMB: A Novel Video Class Incremental Learning Benchmark [53.90485760679411]
  本稿では,ビデオ連続学習ベンチマークvCLIMBを紹介する。 vCLIMBは、ビデオ連続学習における深層モデルの破滅的な忘れを解析するための標準化されたテストベッドである。 本稿では,メモリベース連続学習法に適用可能な時間的整合性正規化を提案する。
  論文  参考訳（メタデータ） (2022-01-23T22:14:17Z)
• Transductive Few-Shot Learning: Clustering is All You Need? [31.21306826132773]
  そこで本研究では,プロトタイプをベースとした超越的数ショット学習の汎用的定式化について検討する。 提案手法は, 精度と最適化の観点から, 大きな問題にスケールアップしながら, 競争性能を向上する。 驚いたことに、私たちの一般的なモデルは、最先端の学習と比較して、すでに競争力のあるパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2021-06-16T16:14:01Z)
• Continual Learning for Recurrent Neural Networks: a Review and Empirical Evaluation [12.27992745065497]
  リカレントニューラルネットワークによる連続学習は、受信データが定常的でない多数のアプリケーションへの道を開くことができる。 コントリビューションの分類とベンチマークのレビューを提供することで、シーケンシャルデータ処理のためのCLに関する文献を整理します。 我々は既存のデータセットに基づくシーケンシャルデータを持つclの新しいベンチマークを2つ提案する。
  論文  参考訳（メタデータ） (2021-03-12T19:25:28Z)

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。