論文の概要: AdapterMoE: A Two-Stage Hard-Routing Mixture-of-Experts Architecture for Multi-Crop Disease Recognition with Calibrated Rejection and Incremental Learning
- arxiv url: http://arxiv.org/abs/2608.08808v1
- Date: Sun, 09 Aug 2026 16:45:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:36.958169
- Title: AdapterMoE: A Two-Stage Hard-Routing Mixture-of-Experts Architecture for Multi-Crop Disease Recognition with Calibrated Rejection and Incremental Learning
- Title（参考訳）: AdapterMoE: 校正リジェクションとインクリメンタルラーニングによるマルチクロップ病認識のための2段階ハードルーティング混合アーキテクチャ
- Abstract要約: マルチクロップ認識は、Mixture-of-Experts (MoE) に適合するが、従来のソフトルーティングMoEは、作物の割り当てをエンドツーエンドで自由に学習する。
本稿ではAdapterMoEを提案する: RouterHeadが作物を分類し、最大ソフトマックス確率閾値で非ターゲット作物を拒絶する。
専門家はデータレベルで厳格にアイソレーションされているため、設計は専門家の崩壊を回避し、ローカル、クラスタごとのアップデートのための add_crop インターフェースを公開する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Timely crop-disease identification is critical to food security. Multi-crop recognition suits Mixture-of-Experts (MoE), but conventional soft-routing MoE learns crop assignment freely end-to-end, letting a few experts dominate (expert collapse) with no semantic correspondence to crops, and facing high retraining costs, unstable rejection of non-target inputs, and a saturated accuracy ceiling. We shift the objective from accuracy toward a trade-off among deployment cost, scaling flexibility, and rejection stability, using deterministic hard routing. We propose AdapterMoE: a RouterHead classifies the crop and rejects non-target crops via a Maximum Softmax Probability threshold, with a dual-gate Energy+KNN out-of-distribution module catching distribution-shifted inputs; five per-crop Adapters atop a frozen EfficientNet-B0 backbone discriminate diseases, each calibrated via Temperature Scaling. Because experts are hard-isolated at the data level, the design avoids expert collapse and exposes an add_crop interface for local, per-crop updates instead of full retraining. On PlantVillage (5 crops, 26 classes), across a fair five-system comparison, AdapterMoE attains accuracy statistically indistinguishable from the best baselines (Macro-F1 within a 0.24-point band) while cutting training cost to about 9% of full-network baselines, expanding to a new crop in
- Abstract（参考訳）: 農作物のタイムリーな識別は食料安全保障に不可欠である。
マルチクロップ認識は、Mixture-of-Experts (MoE) に適合するが、従来のソフトルーティングMoEは、作物の割り当てを自由に学習し、少数の専門家が作物に意味的な対応を持たず、高い調整コスト、非ターゲット入力の不安定な拒絶、飽和した精度の天井に直面している。
私たちは、決定論的ハードルーティングを使用して、デプロイメントコストのトレードオフ、スケーリングの柔軟性、拒絶の安定性に目標をシフトします。
本稿では,ReuterHeadが作物を分類し,最大ソフトマックス確率しきい値を用いて非ターゲット作物を拒絶するAdapterMoEを提案する。
専門家はデータレベルで厳格にアイソレーションされているため、設計は専門家の崩壊を回避し、完全なリトレーニングではなく、ローカル、クラスタごとのアップデートのための add_crop インターフェースを公開する。
PlantVillage(5つの作物、26のクラス)では、公正な5システム比較で、AdapterMoEは、最高のベースライン(0.24ポイントのバンド内でMacro-F1)と統計的に区別できない精度を実現し、トレーニングコストを全ネットワークベースラインの約9%に削減し、新しい作物に拡大する。
関連論文リスト
- MoPET: Parameter-Efficient Mixture-of-Experts for Unified Medical Image Classification [6.260347944370044]
MoPETは、学習したスパースルータを使用して、低ランクのPEFT専門家の小さなサブセットを介して各入力を指示する、Mix-of-experts(MoE)手法である。
1つのMOPETモデルが4つの異種データセットを1つのネットワークに統合し、最良のPEFTアダプタよりも平均精度を向上させることを示す。
論文 参考訳（メタデータ） (2026-07-31T14:28:23Z) - Safety-Aware Cascaded Inference for Crop Damage Assessment with Controlled Error Trade-offs [0.0]
小作農の絵ベースの農業保険では、被害検出の欠落は誤報よりもかなり高いコストがかかる。
本稿では,2段階のカスケードアーキテクチャであるCascadeCropNetを提案する。
軽量のセンチネルモデルでは2値の健康トリアージを行い、キャリブレーションされた損傷確率閾値タウを超えるサンプルを専門家モデルにエスカレーションして詳細な診断を行う。
論文 参考訳（メタデータ） (2026-07-28T09:01:27Z) - Scaling and Stabilizing Large-Scale Embedding-Based Retrieval [16.34687313227663]
我々は、信号品質とモデル進化の両方に対処する統合パイプラインをウォルマートに展開する。
ドメイン固有の専門知識をレガシモデルから新しいバックボーンに転送するワームスタート蒸留技術を導入する。
提案されたパイプラインは実運用で展開され、NDCG@5で+7.34%改善され、収益で+0.50%上昇した。
論文 参考訳（メタデータ） (2026-07-11T03:24:26Z) - AnchorMoE: Interpretable Time Series Classification via Anchor-Routed MoE [51.994752158953084]
AnchorMoEは、解釈可能な構成別分類フレームワークである。
ローカルパッチのマルチビュー表現をエンコードし、専門の専門家にルーティングする。
実世界のベンチマークと合成ベンチマークの実験は、AnchorMoEが非常に競争力のある分類性能を達成することを示した。
論文 参考訳（メタデータ） (2026-06-02T13:30:54Z) - Amped: Adaptive Multi-stage Non-edge Pruning for Edge Detection [53.59823657644554]
エッジ検出のための適応型多段非エッジプルーニングフレームワーク(Amped)を提案する。
Ampedは高信頼の非エッジトークンを識別し、可能な限り早く削除し、計算を大幅に削減する。
既存のエッジ検出ネットワークの構造的複雑さを軽減するため,Streamline Edge Detector(SED)と呼ばれる,シンプルながら高性能なTransformerベースのモデルを導入する。
論文 参考訳（メタデータ） (2026-03-29T12:26:35Z) - Generalizing GNNs with Tokenized Mixture of Experts [75.8310720413187]
安定性の向上には,変化に敏感な特徴への依存を低減し,既約最悪の一般化フロアを残す必要があることを示す。
本研究では,STEM-GNNを提案する。STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN。
9つのノード、リンク、グラフのベンチマークで、STEM-GNNはより強力な3方向バランスを実現し、クリアグラフ上での競争力を維持しながら、次数/ホモフィリーシフトや特徴/エッジの破損に対する堅牢性を改善している。
論文 参考訳（メタデータ） (2026-02-09T22:48:30Z) - Fast Model Selection and Stable Optimization for Softmax-Gated Multinomial-Logistic Mixture of Experts Models [40.216463162163976]
我々は,ソフトマックスゲート型マルチミリ波観測用MoEのバッチ最小化最適化アルゴリズムを開発した。
また,条件密度推定とパラメータ回復のための有限サンプル率も証明した。
生物学的タンパク質-タンパク質相互作用予測実験は、完全なパイプラインを検証する。
論文 参考訳（メタデータ） (2026-02-08T14:45:41Z) - Bulk-Calibrated Credal Ambiguity Sets: Fast, Tractable Decision Making under Out-of-Sample Contamination [8.826173150779145]
分散ロバストな最適化(DRO)は、あいまいさセットよりも最悪のケースで予想される損失を最小化する。
我々は,IPクレダルセットが,解釈可能な許容レベルを持つDRO目標にどのように変換されるかを示す。
論文 参考訳（メタデータ） (2026-01-29T06:37:36Z) - Patch-level Routing in Mixture-of-Experts is Provably Sample-efficient
for Convolutional Neural Networks [74.68583356645276]
ディープラーニングでは、Mixix-of-experts(MoE)が、サンプル単位またはトーケン単位で専門家(サブネットワーク)を活性化する。
我々は,pMoEが適切な一般化を実現するために,必要なトレーニングサンプル数を確実に削減できることを初めて示す。
論文 参考訳（メタデータ） (2023-06-07T00:16:10Z) - Delving into Probabilistic Uncertainty for Unsupervised Domain Adaptive
Person Re-Identification [54.174146346387204]
ドメイン適応型人物再識別のための確率的不確実性誘導プログレッシブラベル精錬(P$2$LR)という手法を提案する。
擬似ラベルの不確実性を測定し、ネットワークトレーニングを容易にする定量的基準を確立する。
本手法はDuke2Marketタスクではベースラインが6.5%,Market2MSMTタスクでは2.5%,最先端手法では2.5%を上回った。
論文 参考訳（メタデータ） (2021-12-28T07:40:12Z) - Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。
我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
論文 参考訳（メタデータ） (2020-03-04T12:27:36Z)
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。