論文の概要: Multi-Scale Structural Features for Continual, Comprehensible Visual Recognition in a Developmental Learning Framework

• arxiv url: http://arxiv.org/abs/2607.25531v1
• Date: Tue, 28 Jul 2026 10:17:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.794631
• Title: Multi-Scale Structural Features for Continual, Comprehensible Visual Recognition in a Developmental Learning Framework
• Title（参考訳）: 開発学習フレームワークにおける連続的・包括的視覚認識のためのマルチスケール構造特徴
• Authors: Zeki Doruk Erden,
• Abstract要約: 複数スケールにわたる形状構造をエンコードする新しい視覚特徴表現を提案する。 学習モデルから予測するために使用される学習力学と読み出しをさらに改善する。 この研究は、クラスインクリメンタルMNISTを制御、解釈可能なベンチマークとして、2次元形状を目標としている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Contemporary machine learning struggles to learn continually, reuse prior knowledge, and expose a comprehensible internal structure. A recently proposed developmental, gradient-free learning framework addresses these limitations by learning a discrete, topological model of its inputs through local variation and selection, yielding an inherent continual-learning guarantee: new observations refine existing structure without overwriting past knowledge, and without replay buffers or predefined task boundaries. Its extension to visual inputs demonstrated this principle on shape recognition, but relied on a feature representation of limited expressivity that capped recognition accuracy. We introduce a new visual feature representation that encodes shape structure across multiple scales, capturing edge and contour features together with their spatial relations, and integrate it with the network-refinement learning process; we further improve the learning dynamics and the read-out used to predict from the learned model. The study targets two-dimensional shape, with class-incremental MNIST as a controlled, interpretable benchmark in which continual-learning behavior can be measured directly. Our approach substantially increases accuracy over the prior representation, matching or exceeding replay- and regularisation-based baselines at comparable storage while storing no past data, and preserves the framework's defining behavior: earlier-learned classes are retained as new ones are introduced, with no destructive adaptation, and the learned representations remain human-interpretable. What separates the methods is retention: the baselines surrender most of a just-trained class within its own cycle and relearn it afterwards, which ours does not. The significance lies in the manner of learning. The system integrates information one sample at a time while provably preserving its responses to...
• Abstract（参考訳）: 現代の機械学習は、継続的に学習し、事前知識を再利用し、理解可能な内部構造を公開するのに苦労している。 最近提案された発達的、勾配のない学習フレームワークは、局所的な変動と選択を通じて入力の離散的トポロジ的モデルを学び、固有の連続的な学習保証をもたらすことによって、これらの制限に対処する。 視覚入力への拡張は、形状認識にこの原理を示したが、認識精度を抑える限られた表現性の特徴表現に依存していた。 複数スケールにわたる形状構造をエンコードし,エッジと輪郭の特徴を空間的関係とともに捉え,それをネットワーク再分節学習プロセスに統合する新しい視覚特徴表現を導入し,学習モデルから予測する学習力学と読み出しを更に改善する。 この研究は、クラス増分MNISTを制御された解釈可能なベンチマークとして、2次元形状を目標としており、連続的な学習行動を直接測定することができる。 提案手法は,過去のデータを保存することなく,先行表現よりも精度を著しく向上させるとともに,リプレイベースベースラインと正規化ベースラインを同等のストレージでマッチングあるいは超えるようにし,フレームワークの動作を保ちながら,事前学習クラスは新たなクラスを導入して,破壊的適応を伴わずに維持し,学習された表現は人間に解釈可能である。 ベースラインは、自身のサイクルで訓練済みのクラスの大部分を放棄し、その後再学習します。 その重要性は学習の仕方にある。 このシステムは、一度に1つのサンプル情報を統合し、その応答を確実に保存する。

関連論文リスト

• CSTA: Spatial-Temporal Causal Adaptive Learning for Exemplar-Free Video Class-Incremental Learning [62.69917996026769]
  クラスインクリメンタルな学習課題は、空間的外観と時間的行動の関与の両方を学習し、保存することを必要とする。 本稿では,各クラス固有のインクリメンタル情報要件を調整し,新しいクラスパターンを学習するためのアダプタを分離するフレームワークを提案する。 異なる種類の情報間のインクリメントと記憶の衝突を減らすために,因果補償機構を提案する。
  論文  参考訳（メタデータ） (2025-01-13T11:34:55Z)
• Self-Regulated Neurogenesis for Online Data-Incremental Learning [9.254419196812233]
  SERENAは、各概念を「コンセプトセル」と呼ばれる特殊なネットワークパスにエンコードする 概念が学習されると、その対応する概念セルが凍結され、以前に取得した情報の忘れを効果的に防止する。 実験結果から,本手法は10ベンチマークにまたがる新たな最先端結果を確立するだけでなく,オフラインで教師付きバッチ学習性能を著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-03-13T13:51:12Z)
• Random Representations Outperform Online Continually Learned Representations [68.42776779425978]
  既存のオンライン学習深層ネットワークは、単純な事前定義されたランダム変換に比べて劣った表現を生成することを示す。 我々の手法はRanDumbと呼ばれ、あらゆるオンライン連続学習ベンチマークにおいて、最先端の学習表現を著しく上回っている。 本研究は, 表現学習の大きな限界, 特に低経験, オンライン連続学習のシナリオについて明らかにした。
  論文  参考訳（メタデータ） (2024-02-13T22:07:29Z)
• Infinite dSprites for Disentangled Continual Learning: Separating Memory Edits from Generalization [36.23065731463065]
  Infinite dSpritesは任意の長さの連続的な分類ベンチマークを作成するための擬似ツールである。 この単純なベンチマークでは、十分に長い時間をかけて、全ての主要な連続学習手法の性能が低下していることが示される。 生成因子を直接監督した簡単な設定では、学習階級に依存しない変換が破滅的な忘れを回避できる方法を示している。
  論文  参考訳（メタデータ） (2023-12-27T22:05:42Z)
• COOLer: Class-Incremental Learning for Appearance-Based Multiple Object Tracking [32.47215340215641]
  本稿では,連続学習研究の範囲を,複数物体追跡(MOT)のためのクラス増分学習に拡張する。 オブジェクト検出器の連続学習のための従来のソリューションは、外見に基づくトラッカーのデータ関連ステージには対応していない。 我々は,Contrastive- and cOntinual-LearningベースのトラッカーであるCOOLerを紹介した。
  論文  参考訳（メタデータ） (2023-10-04T17:49:48Z)
• IF2Net: Innately Forgetting-Free Networks for Continual Learning [49.57495829364827]
  継続的な学習は、以前に学んだ知識に干渉することなく、新しい概念を漸進的に吸収することができる。 ニューラルネットワークの特性に触発され,本研究は,IF2Net(Innately Forgetting-free Network)の設計方法について検討した。 IF2Netは、1つのネットワークがテスト時にタスクのIDを告げることなく、本質的に無制限のマッピングルールを学習することを可能にする。
  論文  参考訳（メタデータ） (2023-06-18T05:26:49Z)
• Continually Learning Self-Supervised Representations with Projected Functional Regularization [39.92600544186844]
  近年の自己教師あり学習手法は高品質な画像表現を学習でき、教師ありの手法でギャップを埋めている。 これらの手法は、新たな知識を段階的に取得することができない -- 実際、主にIDデータによる事前学習フェーズとしてのみ使用される。 従来の知識を忘れないように,機能正規化の利用を提案する。
  論文  参考訳（メタデータ） (2021-12-30T11:59:23Z)

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。