Fugu-MT 論文翻訳(概要): MAGIC-SSCIL: Manifold Anchoring and Geometric Incremental Calibration for Semi-Supervised Class Incremental Learning

論文の概要: MAGIC-SSCIL: Manifold Anchoring and Geometric Incremental Calibration for Semi-Supervised Class Incremental Learning

arxiv url: http://arxiv.org/abs/2608.07586v1
Date: Wed, 05 Aug 2026 10:49:29 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-11 19:16:36.450257
Title: MAGIC-SSCIL: Manifold Anchoring and Geometric Incremental Calibration for Semi-Supervised Class Incremental Learning
Title（参考訳）: manifold Anchoring and Geometric Incremental Calibration for Semi-Supervised Class Incremental Learning
Abstract要約: MAGIC(Manifold Anchoring and Geometric Incremental)は、可塑性を保存せずに安定化するリレーショナルフレームワークである。我々は,凍結したResNet-18バックボーンと学習可能なプラスチックアダプターを備えたMAGICを実装した。
参考スコア（独自算出の注目度）: 1.8607003949195098
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Semi-supervised Class Incremental Learning (SSCIL) is a severe challenge for neural networks, and it is hardest in the exemplar-free setting where no past data may be stored. Existing methods forget catastrophically due to feature drift, and their pseudo-labels become increasingly unreliable as the label space grows. In this paper, we propose MAGIC (Manifold Anchoring and Geometric Incremental Calibration), a framework that stabilizes plasticity without storing exemplars. MAGIC's design centers on two components. The first is Soft-Weighted Geometry Calibration (SWGC), which uses graph-based label propagation on the learner's plastic feature space to weight and calibrate class means and variances computed on the frozen backbone; from these calibrated Gaussians, we sample phantom features that stand in for data from previous tasks. The second is a Geometric Structural Alignment (GSA) objective that preserves representation topology by matching the relational structure of student and teacher heads and aligning feature anchors with the fixed classifier prototypes, locking the orientation of the feature space. Together, these constraints keep the adapter from drifting, so geometric relations between classes remain stable as new classes arrive. We implement MAGIC with a frozen ResNet-18 backbone and a learnable plastic adapter. Across CIFAR-100, CUB-200, and ImageNet-R, at label ratios of 1%, 5%, and 10%, MAGIC improves average incremental accuracy over most of the supervised CIL methods equipped with FixMatch and native SSCIL baselines; the largest gains occur in the fine-grained, low-label setting, where confidence thresholding fails most clearly.
Abstract（参考訳）: 半教師付きクラスインクリメンタルラーニング(SSCIL)は、ニューラルネットワークにとって深刻な課題であり、過去のデータが保存されない経験のない環境では最も難しい。既存の手法では、特徴の漂流によって破滅的に忘れられ、ラベル空間が大きくなるにつれて、それらの擬似ラベルはますます信頼できなくなる。本稿では,可塑性の安定化を図ったMAGIC(Manifold Anchoring and Geometric Incremental Calibration)を提案する。 MAGICの設計は2つのコンポーネントを中心にしている。 1つ目は、学習者のプラスチックの特徴空間上のグラフベースのラベル伝搬を利用して、凍結したバックボーン上で計算されたクラス平均値と分散を調整し、これらのキャリブレーションされたガウシアンから、以前のタスクのデータに現れるファントム特徴をサンプリングするSWGCである。 2つ目は、幾何学的構造アライメント(GSA)の目的であり、学生と教師の頭の構造を一致させ、特徴アンカーを固定型分類器のプロトタイプと整列させ、特徴空間の向きをロックすることで表現トポロジを保存する。これらの制約は、アダプタがドリフトしないようにするため、クラス間の幾何学的関係は新しいクラスが到着するにつれて安定である。我々は,凍結したResNet-18バックボーンと学習可能なプラスチックアダプターを備えたMAGICを実装した。 CIFAR-100、CUB-200、ImageNet-Rのラベル比1%、5%、10%で、MAGICはFixMatchとネイティブのSSCILベースラインを備えた教師付きCILメソッドのほとんどよりも平均的なインクリメンタル精度を改善している。

関連論文リスト

Orthogonal Gradient Constraints Shape Noisy-Label Memorization Dynamics [0.0]
重みベクトルに平行な各重み勾配の成分をノイズラベル画像分類で除去するOrthoGradの評価を行った。小さなデータ構造を持つMNISTでは、OrthoGradはCNNのテスト精度を最も明確に改善し、破損したラベルのフィッティングを低減している。
論文参考訳（メタデータ） (2026-06-24T04:34:31Z)
Harnessing Optimization Dynamics for Curvature-Informed Model Merging [17.42364575754576]
教師付き微調整では、複数の機能ベースのSFTチェックポイントを1つのモデルに統合する必要がある。我々は、最適化トラジェクトリ・アウェア(OTA)マージと高速フィッシャーグラフティング(FFG)を導入する。 OTA+FFGは、強力な重量空間ベースラインよりもマージモデルの品質を改善し、負の転送を低減し、スパーシティレベルにわたって堅牢である。
論文参考訳（メタデータ） (2025-09-14T08:59:53Z)
Unbiased Max-Min Embedding Classification for Transductive Few-Shot Learning: Clustering and Classification Are All You Need [83.10178754323955]
わずかなショットラーニングにより、モデルがいくつかのラベル付き例から一般化できる。本稿では,Unbiased Max-Min Embedding Classification (UMMEC)法を提案する。本手法は最小ラベル付きデータを用いて分類性能を著しく向上させ, 注釈付きLの最先端化を推し進める。
論文参考訳（メタデータ） (2025-03-28T07:23:07Z)
Continuous Knowledge-Preserving Decomposition with Adaptive Layer Selection for Few-Shot Class-Incremental Learning [73.59672160329296]
CKPD-FSCILは、事前訓練された重量の未使用容量を解放する統合フレームワークである。本手法は,適応性と知識保持の両面で,最先端の手法より一貫して優れている。
論文参考訳（メタデータ） (2025-01-09T07:18:48Z)
Contrastive Augmented Graph2Graph Memory Interaction for Few Shot Continual Learning [20.21862836238426]
近年,FSCIL(Few-Shot Class-Incremental Learning)が注目されている。新しいセッションでサンプルが不足するとオーバーフィッティングが増加し、新しいクラスと古いクラスの出力特徴が相容れない。一般的な戦略は、クラスプロトタイプからなるExplicit Memory (EM)を通じて破滅的な忘れを緩和することである。
論文参考訳（メタデータ） (2024-03-07T01:41:12Z)
Class-Imbalanced Semi-Supervised Learning for Large-Scale Point Cloud Semantic Segmentation via Decoupling Optimization [64.36097398869774]
半教師付き学習(SSL)は大規模3Dシーン理解のための活発な研究課題である。既存のSSLベースのメソッドは、クラス不均衡とポイントクラウドデータのロングテール分布による厳しいトレーニングバイアスに悩まされている。本稿では,特徴表現学習と分類器を別の最適化方法で切り離してバイアス決定境界を効果的にシフトする,新しいデカップリング最適化フレームワークを提案する。
論文参考訳（メタデータ） (2024-01-13T04:16:40Z)
Neural Collapse Inspired Feature-Classifier Alignment for Few-Shot Class Incremental Learning [120.53458753007851]
FSCIL(Few-shot class-incremental Learning)は、新しいセッションにおいて、新しいクラスごとにいくつかのトレーニングサンプルしかアクセスできないため、難しい問題である。我々は最近発見された神経崩壊現象にインスパイアされたFSCILのこの不整合ジレンマに対処する。我々は、FSCILのための神経崩壊誘発フレームワークを提案する。MiniImageNet、CUB-200、CIFAR-100データセットの実験により、提案したフレームワークが最先端のパフォーマンスより優れていることを示す。
論文参考訳（メタデータ） (2023-02-06T18:39:40Z)
Constrained Few-shot Class-incremental Learning [14.646083882851928]
古いクラスの知識を忘れずに新しいデータから新しいクラスを継続的に学習することは、非常に難しい研究課題である。本稿では,C-FSCILを提案する。C-FSCILは,凍結したメタ学習特徴抽出器,トレーニング可能な固定サイズ全接続層,動的に成長するメモリから構成される。 C-FSCILは3つの更新モードを提供し、新しいクラスを学習する際の正確性と計算メモリコストのトレードオフを提供する。
論文参考訳（メタデータ） (2022-03-30T18:19:36Z)
Self-Supervised Class Incremental Learning [51.62542103481908]
既存のクラスインクリメンタルラーニング(CIL)手法は、データラベルに敏感な教師付き分類フレームワークに基づいている。新しいクラスデータに基づいて更新する場合、それらは破滅的な忘れがちである。本稿では,SSCILにおける自己指導型表現学習のパフォーマンスを初めて考察する。
論文参考訳（メタデータ） (2021-11-18T06:58:19Z)
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。