論文の概要: CLEAR: Class-wise Expert Aggregation with Structured Sampling for Long-Tailed Classification

• arxiv url: http://arxiv.org/abs/2608.11287v1
• Date: Tue, 11 Aug 2026 15:45:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.32375
• Title: CLEAR: Class-wise Expert Aggregation with Structured Sampling for Long-Tailed Classification
• Title（参考訳）: CLEAR:長期分類のための構造化サンプリングを用いたクラスワイドエキスパートアグリゲーション
• Authors: Gawon Lim,
• Abstract要約: CLEAR (Class-wise reliability-aware Expert Aggregation for long-tailed Recognition) は、長鎖分類のためのモジュラアンサンブルフレームワークである。 CLEARはしきい値に基づく構造化サンプリングによって多様な専門家を生成する。 それは、スムーズなクラスワイズ精度の定式化を用いて、各専門家のクラスワイズ信頼スコアを推定する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-tailed classification poses a reliability challenge because models trained on imbalanced data are unevenly reliable across frequent and underrepresented classes. While existing methods address imbalance through re-balancing, adjustment, representation learning, or multi-expert modeling, they rarely estimate which expert should be trusted for each class. This paper proposes CLEAR (Class-wise reLiability-aware Expert Aggregation for long-tailed Recognition), a modular ensemble framework for long-tailed classification. CLEAR generates diverse experts through threshold-based structured sampling while preserving the full label space, then estimates a class-wise trust score for each expert using a smoothed class-wise precision formulation. During inference, expert predictions are combined through class-wise generalized product-of-experts aggregation, allowing different experts to be emphasized for different classes. Experiments on CIFAR-100-LT, ImageNet-LT, and Places-LT across multiple backbones show that CLEAR achieves competitive overall accuracy and particularly strong few-shot performance. These results support class-wise expert reliability as a useful design principle for long-tailed ensemble learning.
• Abstract（参考訳）: なぜなら、不均衡なデータで訓練されたモデルは、頻繁で表現不足のクラスで不均一に信頼性があるからである。 既存の手法は、再バランス、調整、表現学習、マルチエキスパートモデリングを通じて不均衡に対処するが、どの専門家を各クラスに信頼すべきかを推定することは滅多にない。 本稿では,長期識別のためのモジュール型アンサンブルフレームワークであるCLEAR(Class-wise reliability-aware Expert Aggregation for long-tailed Recognition)を提案する。 CLEARは、全ラベル空間を保存しながらしきい値に基づく構造化サンプリングにより多様な専門家を生成し、スムーズなクラスワイズ精度の定式化を用いて各専門家のクラスワイズ信頼スコアを推定する。 推論の間、専門家予測はクラスワイドの一般化された製品・オブ・エキスパートアグリゲーションによって結合され、異なるクラスに対して異なる専門家が強調される。 複数のバックボーンにまたがるCIFAR-100-LT、ImageNet-LT、Places-LTの実験により、CLEARは競争上の全体的な精度と特に強力な数ショットのパフォーマンスを達成した。 これらの結果は,ロングテールアンサンブル学習に有用な設計原則として,クラスワイズ専門家の信頼性を支持する。

関連論文リスト

• Rethinking Expert Training for Model Merging with Prompt Learning [29.003417422329715]
  モデルマージは、共有基盤モデルからトレーニングされた複数のドメイン特化専門家を単一のマルチタスクモデルに結合することを目的としている。 既存のアプローチは、マージ手順自体の改善に重点を置いている。 最初にプロンプトを学習し、次に視覚エンコーダを微調整する2段階のトレーニング戦略であるDual-Tuned Experts(DTE)を紹介する。
  論文  参考訳（メタデータ） (2026-07-27T14:04:48Z)
• Split-on-Share: Mixture of Sparse Experts for Task-Agnostic Continual Learning [10.01449025634975]
  大規模言語モデル(LLM)における連続学習は、可塑性安定性ジレンマによって妨げられる。 モデルをモジュラー部分空間に分解することで可塑性と安定性の衝突を解決するフレームワークであるSETAを紹介する。 SETA は,パラメータ効率のよい連続学習法よりも常に優れていることを示す。
  論文  参考訳（メタデータ） (2026-01-24T22:39:22Z)
• A Square Peg in a Square Hole: Meta-Expert for Long-Tailed Semi-Supervised Learning [18.911712371699263]
  本研究では,Long-tailed semi-supervised learning (LTSSL) を分布ミスマッチを用いて検討し,そこでラベル付き学習データのクラス分布がLong-tailed Distributionに従っていることを示す。 サンプルのクラスメンバシップを推定できる動的専門家割当てモジュールを提案する。 異なる専門家の強みを統合することで、より小さな一般化誤差が生じることを示す。
  論文  参考訳（メタデータ） (2025-05-22T07:56:44Z)
• Certifying Ensembles: A General Certification Theory with S-Lipschitzness [128.2881318211724]
  組み立ては、一般化、不確実性推定、校正、コンセプトドリフトの効果の緩和に有用であることが示されている。 本研究では、S-Lipschitz分類器を導入し、アンサンブルの理論的堅牢性を分析することにより、リプシッツ連続性を一般化する。
  論文  参考訳（メタデータ） (2023-04-25T17:50:45Z)
• Nested Collaborative Learning for Long-Tailed Visual Recognition [71.6074806468641]
  NCLはNested Individual Learning (NIL)とNested Balanced Online Distillation (NBOD)の2つのコアコンポーネントから構成される。 表現をより徹底的に学習するために、NILとNBODはネストされた方法で定式化され、学習は全視点からだけでなく、部分的な視点からいくつかのハードなカテゴリに対して行われる。 NCLでは、2つの視点から学ぶことはネストされ、非常に関連があり、補完的であり、ネットワークがグローバルでロバストな特徴だけでなく、注意深く区別する能力も捉えるのに役立つ。
  論文  参考訳（メタデータ） (2022-03-29T08:55:39Z)
• Test-Agnostic Long-Tailed Recognition by Test-Time Aggregating Diverse Experts with Self-Supervision [85.07855130048951]
  本研究では,テスト非依存型ロングテール認識(test-agnostic long-tailed recognition)と呼ばれる,より実践的なタスク設定について検討する。 本稿では,多種多様な専門家に異なるテスト分布を扱うように訓練するTADE(Test-time Aggregating Diverse Experts)と呼ばれる新しい手法を提案する。 理論的には,提案手法は未知のテストクラス分布をシミュレートできることを示す。
  論文  参考訳（メタデータ） (2021-07-20T04:10:31Z)
• Long-tailed Recognition by Routing Diverse Distribution-Aware Experts [64.71102030006422]
  我々は、RoutIng Diverse Experts (RIDE) と呼ばれる新しい長い尾の分類器を提案する。 複数の専門家とのモデルの分散を減らし、分布を考慮した多様性損失によるモデルバイアスを減らし、動的専門家ルーティングモジュールによる計算コストを削減します。 RIDEは、CIFAR100-LT、ImageNet-LT、iNaturalist 2018ベンチマークで最先端を5%から7%上回っている。
  論文  参考訳（メタデータ） (2020-10-05T06:53:44Z)
• Solving Long-tailed Recognition with Deep Realistic Taxonomic Classifier [68.38233199030908]
  ロングテール認識は、現実世界のシナリオにおける自然な非一様分散データに取り組む。 モダンは人口密度の高いクラスではうまく機能するが、そのパフォーマンスはテールクラスでは著しく低下する。 Deep-RTCは、リアリズムと階層的予測を組み合わせたロングテール問題の新しい解法として提案されている。
  論文  参考訳（メタデータ） (2020-07-20T05:57:42Z)
• Long-Tailed Recognition Using Class-Balanced Experts [128.73438243408393]
  本稿では,多様な分類器の強度を組み合わせたクラスバランスの専門家のアンサンブルを提案する。 私たちのクラスバランスの専門家のアンサンブルは、最先端に近い結果に到達し、長い尾の認識のための2つのベンチマークで新たな最先端のアンサンブルを確立します。
  論文  参考訳（メタデータ） (2020-04-07T20:57:44Z)

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。