論文の概要: When Semantics Saturate or Emerge: Adaptation-Conditional Semantic Utility in Source-Free Cross-Domain Few-Shot Learning
- arxiv url: http://arxiv.org/abs/2608.06673v1
- Date: Fri, 07 Aug 2026 00:38:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-10 16:21:25.321137
- Title: When Semantics Saturate or Emerge: Adaptation-Conditional Semantic Utility in Source-Free Cross-Domain Few-Shot Learning
- Title（参考訳）: セマンティクスが飽和または創発する時:ソースフリーのクロスドメインFew-Shot学習における適応型セマンティクスの有用性
- Abstract要約: ソースフリーのクロスドメイン・ショット学習における言語記述は、ゼロショット精度に応じて選択されることが多い。
本稿では、対象領域の視覚適応後も、そのランクが有効であるかどうかを問う。
- 参考スコア（独自算出の注目度）: 5.804468830369267
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Language descriptions in source-free cross-domain few-shot learning (SF-CDFSL) are often selected according to zero-shot accuracy obtained with a frozen vision--language model. This paper asks whether that ranking remains valid after target-domain visual adaptation. Under a strictly paired protocol, we compare a generic class-name template with fixed detailed class descriptions before and after visual Low-Rank Adaptation (LoRA) on EuroSAT, CropDisease, ISIC, and ChestX. Let $\deltazero$ and $\deltalora$ denote the Detailed-minus-Base accuracy before and after adaptation, respectively. Two recurring regimes emerge. In \emph{semantic saturation}, $\deltazero>0$ but $0<\deltalora\ll\deltazero$: on EuroSAT and CropDisease, initial gains of 8.13--21.54 percentage points contract to 0.69--2.96 points after LoRA. In \emph{semantic emergence}, $\deltazero\leq0$ but $\deltalora>0$: on ISIC and ChestX, detailed descriptions become more useful only after the visual representation is updated. Training trajectories and sample-level decomposition show that saturation is driven mainly by Base-LoRA recovering errors already solved by detailed semantics, whereas emergence is associated with prediction turnover and newly formed Detailed-only correct decisions. Fixed-point-free shuffled-semantic controls, a second CLIP backbone, and multiple random seeds support the broad pattern while identifying ChestX 1-shot as a weak boundary case. These findings establish that zero-shot prompt quality is an incomplete proxy for adaptation-anchor quality and motivate evaluating language on both sides of the adaptation boundary.
- Abstract（参考訳）: ソースフリーなクロスドメイン・ショットラーニング(SF-CDFSL)における言語記述は、凍結視覚言語モデルを用いて得られるゼロショット精度に基づいて選択されることが多い。
本稿では、対象領域の視覚適応後も、そのランクが有効であるかどうかを問う。
厳密なペアプロトコルでは、EuroSAT、CropDisease、ISIC、ChestXの視覚的低ランク適応(LoRA)の前後で、クラス名テンプレートを固定された詳細記述と比較する。
$\deltazero$ と $\deltalora$ は、それぞれ適応前のDetailed-minus-Base の精度を表す。
2つの定期的な体制が出現する。
emph{semantic saturation} では、$\deltazero>0$ しかし$0<\deltalora\ll\deltazero$: EuroSAT と CropDisease では、初期ゲインは 8.13--21.54 % で、LoRA 以降は 0.69--2.96 ポイントに制限される。
in \emph{semantic appearance}, $\deltazero\leq0$ but $\deltalora>0$: on ISIC and ChestX では、視覚的表現が更新された後にのみ詳細な記述がより有用になる。
トレーニングトラジェクトリとサンプルレベルの分解は、飽和は主にBase-LoRAによる、詳細なセマンティクスによって既に解決されているエラーの回復によって引き起こされることを示しているが、出現は予測のターンオーバーと新たに形成されたDetailed-only correct decisionと関連している。
固定点フリーシャッフル・セマンティックコントロール、第2のCLIPバックボーン、および複数のランダムシードは、ChestX 1ショットを弱いバウンダリケースとして認識しながら、広いパターンをサポートする。
これらの結果から,ゼロショット・プロンプト・クオリティは適応・アンカー・クオリティの不完全プロキシであり,適応境界の両側で評価言語を動機付けていることが判明した。
関連論文リスト
- Certify or Refuse: A Cross-Model Map for Selective Risk Control with Coverage Floors under Covariate Shift [4.621071191322703]
自動化フロアを導入することで、選択的な予測者が達成したカバレッジを達成できることを示します。
認証は実行可能性フロンティアと2リソースの複雑性マップを取得し、定数まで加算する。
レートは局所的であり、レギュラーフロンティアマージン、局所登録閾値以下、格子条件を必要とする。
論文 参考訳（メタデータ） (2026-08-11T13:10:55Z) - In-Context Collapse in Vision-Language Models and How to Mitigate it? [16.566047545838938]
マルチショットのインコンテキスト学習により、ビジョン言語モデルは、重み付けをすることなく、画像ラベルによるデモから適応できる。
デモが蓄積されると、モデルのサブセットがemphin-contextの崩壊を起こします。
論文 参考訳（メタデータ） (2026-08-03T19:44:45Z) - DriftScope: Measuring The Hidden Effects of Diffusion Model Adaptation [50.584834483403675]
新しい視覚概念を学習するか、望ましくないものを消去するか、事前学習したテキスト・画像拡散モデルに適応させることは、意図した効果だけで日常的に評価される。
適応が意味論的に無関係な概念を、構造的にメトリクスを集約することができない方法で体系的に損なうことを実証する。
DriftScopeは、任意の2つのモデルチェックポイントを取り込み、視覚的概念が最も移行したトークンのランクリストを返す、プロンプトレベルの診断ツールである。
論文 参考訳（メタデータ） (2026-06-30T20:57:51Z) - From Patches to Trajectories: Privileged Process Supervision for Software-Engineering Agents [56.31499185764872]
教師の長い軌道上の監督された微調整(SFT)は、オープンソフトウェアエンジニアリング(SWE)エージェントに調査と推論を浸透させる主要な方法である。
本稿では,P2T (Patches-to-Trajectories) を提案する。P2T (Patches-to-Trajectories) は,P2T (Patches-to-Trajectories) において,P2T (Patches-to-Trajectories) とP2T (Patches-to-Trajectories) の2つの最適化法である。
論文 参考訳（メタデータ） (2026-05-21T04:54:55Z) - Representation Without Reward: A JEPA Audit for LLM Fine-Tuning [1.2691047660244335]
JEPA(Joint-embedding predictive Architectures)は、モデルが観測された出力よりも遅延表現を予測できるように訓練された時に、より有用な抽象化を学ぶべきであることを提案している。
自己回帰型言語モデルの微調整には、この原理はより厳密な要件を必要とする。
我々は、Llama-3.2-1B-Instruct LoRA を用いて、自然言語からレジェックス生成におけるその要件を検証した。
論文 参考訳（メタデータ） (2026-05-14T20:27:32Z) - Correction and Corruption: A Two-Rate View of Error Flow in LLM Protocols [51.56484100374058]
そこで本研究では,単一プロトコルステップを正確なマッチングタスクで監査するためのペアアウトカム計測インタフェースを提案する。
各インスタンスについて、インターフェースはベースラインの正当性ビットと後ステップの正当性ビットを記録する。
これらのレートは精度の変化を予測し、種、混合物、パイプライン間でテスト可能な再利用可能な経験的インターフェースを定義する。
論文 参考訳（メタデータ） (2026-04-20T13:25:40Z) - Learning Accurate Segmentation Purely from Self-Supervision [87.78965637247107]
Selfmentは完全に自己管理型のフレームワークで、人間のラベルなしでオブジェクトを生画像から直接分割する。
Selfmentは、複数のベンチマークで新しい最先端(SoTA)結果を設定する。
論文 参考訳（メタデータ） (2026-02-27T07:36:32Z) - 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) - Generalized Focal Loss: Learning Qualified and Distributed Bounding
Boxes for Dense Object Detection [85.53263670166304]
一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。
1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。
本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
論文 参考訳（メタデータ） (2020-06-08T07:24:33Z)
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。