論文の概要: CAST: Closed-form Analytic Semantic Transfer for Zero-Shot Classifier Extension

• arxiv url: http://arxiv.org/abs/2608.13751v1
• Date: Thu, 13 Aug 2026 20:20:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 20:14:29.207427
• Title: CAST: Closed-form Analytic Semantic Transfer for Zero-Shot Classifier Extension
• Title（参考訳）: CAST:Zero-Shot Classifier拡張のためのクローズドフォーム解析的セマンティックトランスファー
• Authors: William Heyden, Habib Ullah, Muhammad Salman Siddiqui, Fadi Al Machot,
• Abstract要約: CAST(Closed-form Analytic Semantic Transfer)は、トレーニング不要で画像のないフレームワークである。 標準のゼロショット学習ベンチマークの実験では、CASTが既存の画像のないアプローチと一致しているか、超えている。
• 参考スコア（独自算出の注目度）: 1.8882634075101061
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large pre-trained models have become foundational components of modern machine learning systems. Yet adapting these models to novel categories typically requires examples from the target distribution. In many domains, however, such data are unavailable. Zero-shot learning (ZSL) permits recognition under these limitations through relying on auxiliary semantic information such as textual descriptions. We introduce CAST (Closed-form Analytic Semantic Transfer), a training-free, image-free framework for extending a pre-trained classifier to previously unseen classes through weight injection. We provide a theoretical foundation for CAST and derive a finite-sample error decomposition that identifies the \emph{semantic extrapolation residual} $ρ_u$. The residual is a computable, model-agnostic measure and provides a principled criterion for dataset curation and benchmark design. Experiments on standard zero-shot learning benchmarks demonstrate that CAST matches or exceeds existing image-free approaches and approaches the performance of few-shot adaptation methods, while requiring neither iterative optimization nor examples from the target distribution.
• Abstract（参考訳）: 大規模な事前学習モデルが、現代の機械学習システムの基盤となっている。 しかし、これらのモデルを新しいカテゴリに適応させるには、典型的にはターゲット分布の例を必要とする。 しかし、多くのドメインではそのようなデータは利用できない。 ゼロショット学習(ZSL)は、テキスト記述などの補助的な意味情報に頼ることにより、これらの制限の下での認識を可能にする。 CAST(Closed-form Analytic Semantic Transfer)は、事前学習した分類器をウェイトインジェクションによって未確認のクラスに拡張するための、トレーニング不要で画像のないフレームワークである。 我々は CAST の理論的基礎を提供し、 \emph{semantic expolation residual} $ρ_u$ を識別する有限サンプル誤差分解を導出する。 残余は計算可能でモデルに依存しない尺度であり、データセットのキュレーションとベンチマーク設計のための原則的な基準を提供する。 標準ゼロショット学習ベンチマークの実験では、CASTは既存の画像のないアプローチと一致し、数ショット適応手法の性能にアプローチするが、反復最適化やターゲット分布の例は必要としない。

関連論文リスト

• VAE-Inf: A statistically interpretable generative paradigm for imbalanced classification [8.677199689027772]
  生成的モデリングと識別的分類のギャップを埋める2段階の枠組みを提案する。 推論のために、自然な仮説テストの解釈を受け入れるプロジェクションベースのスコアを導入する。 様々な実世界のベンチマークの実験は、我々のフレームワークが他のアプローチと競合する性能を達成していることを示している。
  論文  参考訳（メタデータ） (2026-04-28T07:50:56Z)
• Toward Reliable Machine Unlearning: Theory, Algorithms, and Evaluation [1.7767466724342065]
  本稿では,SOTA MIAスコアに基づく画像分類の最先端手法を超越したAdrial Machine UNlearning(AMUN)を提案する。 既存の手法は、最寄りの会員推定攻撃(MIA-NN)を導入して、再訓練されたモデルの動作を再現できないことを示す。 そこで我々は,スクラッチから再学習したモデルが生成する残りのクラスに対する分布を,クラス入力に対して近似することで,このリークを緩和する微調整対象を提案する。
  論文  参考訳（メタデータ） (2025-12-07T20:57:25Z)
• Scalable Data Attribution via Forward-Only Test-Time Inference [3.5466521714943138]
  データ属性は、モデルを形作ったトレーニング例に遡る。 同一の1次対物目標を保存するデータ属性法を提案する。 提案手法は,大規模事前学習モデルにおける実時間データ属性の理論的枠組みを提供する。
  論文  参考訳（メタデータ） (2025-11-25T00:11:39Z)
• Reference-Specific Unlearning Metrics Can Hide the Truth: A Reality Check [60.77691669644931]
  本研究では,非学習モデルと参照モデル間の分布類似度を測定する新しい尺度であるFADE(Functional Alignment for Distributional Equivalence)を提案する。 FADEは出力分布全体の機能的アライメントをキャプチャし、真の未学習の原則的評価を提供する。 これらの知見は、現在の評価実践における根本的なギャップを明らかにし、FADEが真に効果的な未学習手法を開発し評価するための、より堅牢な基盤を提供することを示した。
  論文  参考訳（メタデータ） (2025-10-14T20:50:30Z)
• The First Few Tokens Are All You Need: An Efficient and Effective Unsupervised Prefix Fine-Tuning Method for Reasoning Models [69.798277882245]
  大規模言語モデルの推論効率を向上させるために,Unsupervised Prefix Fine-Tuning (UPFT)を導入した。 UPFTはラベル付きデータや徹底的なサンプリングの必要性を取り除く。 実験の結果,UPFTは教師付き手法の性能と一致していることがわかった。
  論文  参考訳（メタデータ） (2025-03-04T18:56:03Z)
• Rethinking Classifier Re-Training in Long-Tailed Recognition: A Simple Logits Retargeting Approach [102.0769560460338]
  我々は,クラスごとのサンプル数に関する事前知識を必要とせず,シンプルなロジットアプローチ(LORT)を開発した。 提案手法は,CIFAR100-LT, ImageNet-LT, iNaturalist 2018など,様々な不均衡データセットの最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-03-01T03:27:08Z)
• RanPAC: Random Projections and Pre-trained Models for Continual Learning [59.07316955610658]
  継続学習(CL)は、古いタスクを忘れずに、非定常データストリームで異なるタスク(分類など)を学習することを目的としている。 本稿では,事前学習モデルを用いたCLの簡潔かつ効果的なアプローチを提案する。
  論文  参考訳（メタデータ） (2023-07-05T12:49:02Z)
• Bayesian Evidential Learning for Few-Shot Classification [22.46281648187903]
  Few-Shot 分類は、非常に限定されたラベル付きサンプルをベースクラスから新しいクラスに一般化することを目的としている。 最先端のソリューションは、サンプル間の距離を計算するための良い計量と表現空間を見つけることを含む。 有望な精度性能にもかかわらず、計量ベースのFSC手法の不確実性を効果的にモデル化する方法は依然として課題である。
  論文  参考訳（メタデータ） (2022-07-19T03:58:00Z)
• Contrastive Prototype Learning with Augmented Embeddings for Few-Shot Learning [58.2091760793799]
  拡張埋め込み(CPLAE)モデルを用いた新しいコントラスト型プロトタイプ学習を提案する。 クラスプロトタイプをアンカーとして、CPLは、同じクラスのクエリサンプルを、異なるクラスのサンプルを、さらに遠くに引き出すことを目的としている。 いくつかのベンチマークによる大規模な実験により,提案したCPLAEが新たな最先端を実現することが示された。
  論文  参考訳（メタデータ） (2021-01-23T13:22:44Z)
• Pre-training Is (Almost) All You Need: An Application to Commonsense Reasoning [61.32992639292889]
  事前学習されたトランスモデルの微調整は、一般的なNLPタスクを解決するための標準的なアプローチとなっている。 そこで本研究では,可視性ランキングタスクをフルテキスト形式でキャストする新たなスコアリング手法を提案する。 提案手法は, ランダム再起動にまたがって, より安定した学習段階を提供することを示す。
  論文  参考訳（メタデータ） (2020-04-29T10:54:40Z)

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。