論文の概要: Alleviating Regional Shortcuts for Few-Shot Class-Incremental Learning
- arxiv url: http://arxiv.org/abs/2607.22072v1
- Date: Fri, 24 Jul 2026 08:14:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-27 20:58:57.080248
- Title: Alleviating Regional Shortcuts for Few-Shot Class-Incremental Learning
- Title（参考訳）: 授業増分学習における地域的ショートカットの緩和
- Abstract要約: クラス増分学習は、少数のサンプルだけで段階的に新しいクラスを学習することを目的としている。
現在の手法は、新しいクラスサンプルをベースクラスに誤分類する傾向を示している。
合成学習に基づく2つの原始集合の学習法を提案する。
- 参考スコア（独自算出の注目度）: 19.816266362405354
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Few-shot class-incremental learning (FSCIL) aims to incrementally learn novel classes with only a few samples while avoiding forgetting base classes. However, current methods show a tendency to misclassify novel-class samples into base classes, which we find to be caused by the excessive focus on base-class-discriminative regions on novel-class samples. In this work, we aim to explore the underlying mechanism for an interpretation and solution. We first provide a compositional view to analyze the transferred and reused spatial patterns on novel-class samples. Then, through extensive experiments and theoretical analysis, we identify both empirically and theoretically that a shortcut exists in the model's base-class training, which naturally forms the excessive focus on only the most discriminative regions (primitives), which we term as the regional shortcut. Finally, based on this interpretation, to address this problem, we propose a compositional-learning-based method to learn two primitive sets (a common set and a discriminative set), which alleviates the regional shortcut by constraining the model to learn and utilize the common primitive set for base- and novel-class recognition. Extensive experiments on standard FSCIL benchmarks demonstrate the effectiveness of our approach, yielding consistent improvements over existing state-of-the-art methods in both accuracy and interpretability.
- Abstract（参考訳）: FSCIL (Few-shot class-incremental Learning) は,基本クラスを忘れずに,少数のサンプルで新たなクラスを段階的に学習することを目的としている。
しかし,近年の手法では,新種標本を基本クラスに誤分類する傾向がみられ,新種標本の識別領域に過度に焦点が当てられていることが原因と考えられる。
本研究では,解釈と解法の基礎となるメカニズムを探究する。
まず,新しいクラス標本における空間パターンの変換と再利用について,構成的視点で分析する。
そして、広範囲にわたる実験と理論的分析を通じて、モデルの基本クラストレーニングにショートカットが存在することを経験的および理論的に確認し、このショートカットは、我々が地域ショートカットと呼ぶ最も差別的な領域(プライミティブ)のみに過度な集中を自然に形成する。
最後に,この解釈に基づき,2つの原始集合(共通集合と識別集合)を学習するための合成学習に基づく手法を提案する。
標準FSCILベンチマークの大規模な実験は、我々のアプローチの有効性を示し、精度と解釈性の両方において既存の最先端手法よりも一貫した改善をもたらす。
関連論文リスト
- Feature-Space Generative Models for One-Shot Class-Incremental Learning [33.77408261771739]
FSCIL(Few-shot class-incremental Learning)は、最初にベースクラスのデータセットで訓練されたモデルが、限られたデータで新しいクラスを認識することで、拡大する問題空間に適応しなければならないパラダイムである。
本稿では,ベースクラスと新しいクラス埋め込みが構造的類似性を持つという仮説に基づく新しいアプローチを提案する。
我々のアプローチであるGen1Sは、複数のベンチマークやバックボーンアーキテクチャにわたって、最先端技術に対する新しいクラス認識を一貫して改善します。
論文 参考訳（メタデータ） (2026-01-25T16:45:11Z) - Ambiguity-Guided Learnable Distribution Calibration for Semi-Supervised Few-Shot Class-Incremental Learning [15.869958236996029]
FSCIL(Few-Shot Class-Incremental Learning)は、制限されたデータから新しい概念を学習し、それ以前のクラスの知識を維持したモデルに焦点を当てる。
近年、ラベルのないサンプルを活用して、少数のサンプルから学習するモデルを支援する研究が盛んに行われている。
本稿では,Ambiguity-Guided Learnable Distribution (ALDC) 戦略を提案する。
論文 参考訳（メタデータ） (2025-07-31T04:29:49Z) - Generalized Semantic Contrastive Learning via Embedding Side Information for Few-Shot Object Detection [52.490375806093745]
マイクロショットオブジェクト検出(FSOD)の目的は、少数のトレーニングサンプルで新しいオブジェクトを検出することである。
本稿では,特徴空間とサンプル視点から得られる負の影響を緩和する側面情報を紹介する。
我々のモデルは従来の最先端手法よりも優れており、ほとんどのショット/スプリットにおけるFSODの能力は大幅に向上している。
論文 参考訳（メタデータ） (2025-04-09T17:24:05Z) - Few-Shot Class-Incremental Learning via Training-Free Prototype
Calibration [67.69532794049445]
既存のメソッドでは、新しいクラスのサンプルをベースクラスに誤分類する傾向があり、新しいクラスのパフォーマンスが低下する。
我々は,新しいクラスの識別性を高めるため,簡易かつ効果的なトレーニング-フレア・カロブラシアン (TEEN) 戦略を提案する。
論文 参考訳（メタデータ） (2023-12-08T18:24:08Z) - Margin-Based Few-Shot Class-Incremental Learning with Class-Level
Overfitting Mitigation [19.975435754433754]
FSCIL(Few-shot class-incremental Learning)は、少数のトレーニングサンプルで新規クラスを段階的に認識するように設計されている。
ベースクラスのトレーニングに対するよく知られた変更は、ベースクラスの分類にマージンを適用することである。
本研究では,CO 問題を軽減するために,利幅に基づく新たな FSCIL 法を提案する。
論文 参考訳（メタデータ） (2022-10-10T09:45:53Z) - Class-incremental Novel Class Discovery [76.35226130521758]
クラス増進型新規クラス発見(class-iNCD)の課題について検討する。
基本クラスに関する過去の情報を忘れないようにする,クラスiNCDのための新しい手法を提案する。
3つの共通ベンチマークで実施した実験により,本手法が最先端の手法を著しく上回ることを示した。
論文 参考訳（メタデータ） (2022-07-18T13:49:27Z) - Demystifying the Base and Novel Performances for Few-shot
Class-incremental Learning [15.762281194023462]
FSCIL(Few-shot class-incremental Learning)は、目に見えない新しいクラスがほとんどサンプルを持って絶えずやってくる現実のシナリオに対処している。
先行知識を忘れずに新しいクラスを認識するモデルを開発する必要がある。
本手法は,高度な最先端アルゴリズムと同等の性能を有することを示す。
論文 参考訳（メタデータ） (2022-06-18T00:39:47Z) - Class-Incremental Learning with Strong Pre-trained Models [97.84755144148535]
CIL(Class-incremental Learning)は、少数のクラス(ベースクラス)から始まる設定で広く研究されている。
我々は、多数のベースクラスで事前訓練された強力なモデルから始まるCILの実証済み実世界の設定について検討する。
提案手法は、解析されたCIL設定すべてに頑健で一般化されている。
論文 参考訳（メタデータ） (2022-04-07T17:58:07Z) - Few-shot Action Recognition with Prototype-centered Attentive Learning [88.10852114988829]
2つの新しい構成要素からなるプロトタイプ中心型注意学習(pal)モデル。
まず,従来のクエリ中心学習目標を補完するために,プロトタイプ中心のコントラスト学習損失を導入する。
第二に、PALは注意深いハイブリッド学習機構を統合しており、アウトレーヤの負の影響を最小限に抑えることができる。
論文 参考訳（メタデータ） (2021-01-20T11:48:12Z) - Cooperative Bi-path Metric for Few-shot Learning [50.98891758059389]
数発の分類問題の調査に2つの貢献をしている。
本稿では,従来の教師あり学習法において,ベースクラスで訓練されたシンプルで効果的なベースラインについて報告する。
本稿では, 基礎クラスと新しいクラス間の相関を利用して, 精度の向上を図る, 分類のための協調的二経路計量を提案する。
論文 参考訳（メタデータ） (2020-08-10T11:28:52Z)
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。