論文の概要: Structured Affinity for Unsupervised Visual Class-Incremental Memory in Deep Artificial Immune Networks

• arxiv url: http://arxiv.org/abs/2608.20104v1
• Date: Thu, 20 Aug 2026 14:34:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-21 20:28:51.599093
• Title: Structured Affinity for Unsupervised Visual Class-Incremental Memory in Deep Artificial Immune Networks
• Title（参考訳）: 深部人工免疫ネットワークにおける教師なし視覚的クラスインクリメンタルメモリの構造的親和性
• Abstract要約: 本稿では,構造化された非勾配免疫親和性により,Deep AINsがリプレイフリーな視覚表現記憶学習者として有効であるかどうかを考察する。 視覚的B細胞は構造化テンプレートとして形式化され、シフトテンプレート親和性、ゼロ正規化クロス相関フィルタ、フィーチャーマップバインディングプロファイルなどが含まれる。
• 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: Artificial immune networks (AINs) are naturally memory-forming systems, but conventional visual AINs often rely on flattened vector affinity that ignores spatial structure. This paper studies whether structured, gradient-free immune affinity can make Deep AINs viable as replay-free visual class-incremental representation-memory learners. Visual B-cells are formalized as structured templates, including shifted-template affinity, zero-normalized cross-correlation (ZNCC) filters, and feature-map binding profiles. A repertoire is treated both as memory and as a representation-inducing basis, while depth is obtained by passing binding-profile response maps to subsequent immune layers. The resulting Deep AIN exhibits adaptive latent coordinate reorganization: as new classes arrive, the binding-profile space evolves while retaining recoverable structure for earlier classes. Experiments on sklearn digits, MNIST, Fashion-MNIST, and KMNIST show that preserving response maps is critical. Scalar binding-profile variants underperform, whereas feature-map Deep AINs learn class-discriminative visual memory without replay, label-driven immune updates, or backpropagation through the immune layers. On sklearn digits, downstream probes fitted on the learned binding profiles reach 0.939 final balanced accuracy with logistic regression and 0.902 with 1-nearest-neighbour after all ten classes are encountered, with initial-class retention of 0.978. Adaptive layer-wise scale calibration further improves the two-layer feature-map Deep AIN to 0.978 balanced accuracy. With the same calibration rule, Fashion-MNIST reaches 0.814 and KMNIST reaches 0.853. These probes are external validation tools, not components of the AIN. The results identify structured affinity, response-map preservation, adaptive latent reorganization, and layer-wise scale calibration as key mechanisms for replay-free visual immune memory.
• Abstract（参考訳）: 人工免疫ネットワーク(AIN)は自然に記憶を形成するシステムであるが、従来の視覚的AINは空間構造を無視した平坦なベクトル親和性に依存していることが多い。 本稿では,階層的,非勾配的免疫親和性により,Deep AINsがリプレイフリーな視覚的クラス増分表現記憶学習者として有効になるかどうかを考察する。 ビジュアルB細胞は構造化テンプレートとして形式化されており、シフトテンプレート親和性、ゼロ正規化クロス相関(ZNCC)フィルタ、フィーチャーマップバインディングプロファイルが含まれる。 レパートリーをメモリと表現誘導ベースの両方として処理し、さらに、後続の免疫層に結合特異的な応答マップを渡すことにより深度を得る。 結果として、Deep AINは適応的な潜在座標再構成を示す:新しいクラスが到着すると、結合に目立った空間は進化し、初期のクラスでは回復可能な構造を保持する。 スクリール桁、MNIST、Fashion-MNIST、KMNISTの実験は、応答マップの保存が重要であることを示している。 一方、機能マップのDeep AINは、リプレイ、ラベル駆動免疫更新、または免疫層によるバックプロパゲーションなしで、クラス識別視覚記憶を学ぶ。 スクリール桁では、学習した結合プロファイルに装着された下流プローブは、ロジスティック回帰で0.939の最終的な平衡精度に達し、初期クラス保持率0.978で、全10クラスに遭遇した後に0.902の1-アネレスト近傍で0.902に達した。 適応層ワイドスケールキャリブレーションにより、2層特徴マップのDeep AINをさらに精度0.978に改善する。 同じ校正規則で、Fashion-MNISTは0.814、KMNISTは0.853に達する。 これらのプローブは外部検証ツールであり、AINのコンポーネントではない。 その結果、リプレイフリーな視覚免疫記憶の鍵となるメカニズムとして、構造化親和性、応答マップ保存、適応潜在的再編成、レイヤーワイドスケールキャリブレーションが同定された。

関連論文リスト

• Replacement Learning: Training Neural Networks with Fewer Parameters [15.09968642484538]
  Replacement Learning (RepL) は、選択したブロックを置き換えることで、完全な冗長性を減らす訓練時間パラダイムである。 RepLは、不要なフルレイヤを避けながら、局所的なコンテキスト連続性を維持する。 RepLはトレーニング可能なパラメータ、GPUメモリ使用量、トレーニング時間を削減し、標準のエンドツーエンドトレーニングを適合または超過することを示す。
  論文  参考訳（メタデータ） (2026-05-19T08:34:31Z)
• Multi-Frequency Local Plasticity for Visual Representation Learning [0.40048696135519796]
  本研究では,視覚認識におけるエンドツーエンドの勾配に基づく表現学習の欠如を補う構造的アーキテクチャバイアスについて検討する。 i) 固定多周波ガボルのF=7並列ストリームへの分解, (ii) ヘビアンとオジャの更新と反ヘビアンデコリレーションによるストリーム内競合学習, (iii) 現代のホプフィールド検索にインスパイアされた連想メモリモジュール。
  論文  参考訳（メタデータ） (2026-04-09T18:30:47Z)
• Ken Utilization Layer: Hebbian Replay Within a Student's Ken for Adaptive Knowledge Tracing [11.25951282067287]
  KUL-KTは、生物学的にインスパイアされた知識追跡アーキテクチャ(KT)である Hebbianメモリエンコーディングとグラデーションベースの統合を、スケーラブルで入力に依存しないフレームワークで組み合わせる。 i) 優雅な記憶を可能にするヘビアンメモリ更新, (ii) 理想的な内部状態を計算するためのロス整合型内部ターゲット (LIT) メソッド。
  論文  参考訳（メタデータ） (2025-06-18T00:06:28Z)
• Towards Continual Learning Desiderata via HSIC-Bottleneck Orthogonalization and Equiangular Embedding [55.107555305760954]
  本稿では,レイヤワイドパラメータのオーバーライトや決定境界の歪みに起因する,概念的にシンプルで効果的な手法を提案する。 提案手法は,ゼロの指数バッファと1.02倍の差が絶対的に優れていても,競争精度が向上する。
  論文  参考訳（メタデータ） (2024-01-17T09:01:29Z)
• Prompt Tuning for Parameter-efficient Medical Image Segmentation [79.09285179181225]
  2つの医用画像データセットのセマンティックセグメンテーションにパラメータ効率が良いが効果的な適応を実現するために,いくつかのコントリビューションを提案し,検討する。 我々はこのアーキテクチャを、オンライン生成プロトタイプへの割り当てに基づく専用密集型セルフスーパービジョンスキームで事前訓練する。 得られたニューラルネットワークモデルにより、完全に微調整されたモデルとパラメータに適応したモデルとのギャップを緩和できることを実証する。
  論文  参考訳（メタデータ） (2022-11-16T21:55:05Z)
• FOSTER: Feature Boosting and Compression for Class-Incremental Learning [52.603520403933985]
  ディープニューラルネットワークは、新しいカテゴリーを学ぶ際に破滅的な忘れ方に悩まされる。 本稿では,新たなカテゴリを適応的に学習するためのモデルとして,新しい2段階学習パラダイムFOSTERを提案する。
  論文  参考訳（メタデータ） (2022-04-10T11:38:33Z)
• Do We Really Need a Learnable Classifier at the End of Deep Neural Network? [118.18554882199676]
  本研究では、ニューラルネットワークを学習して分類器をランダムにETFとして分類し、訓練中に固定する可能性について検討する。 実験結果から,バランスの取れたデータセットの画像分類において,同様の性能が得られることがわかった。
  論文  参考訳（メタデータ） (2022-03-17T04:34:28Z)
• Basis Scaling and Double Pruning for Efficient Inference in Network-Based Transfer Learning [1.3467579878240454]
  畳み込み層をフィルタとして正規基底ベクトルを持つ畳み込み層と、特徴を再スケーリングする"BasisScalingConv"層に分解する。 CIFAR-10では74.6%、MNISTでは98.9%のプルーニング比が得られる。
  論文  参考訳（メタデータ） (2021-08-06T00:04:02Z)
• DeepSMILE: Contrastive self-supervised pre-training benefits MSI and HRD classification directly from H&E whole-slide images in colorectal and breast cancer [22.46523830554047]
  ヘマトキシリンおよびエオシン染色腫瘍組織の全スライド画像(WSI)を解析するための深層学習に基づく弱ラベル学習法を提案する。 We apply DeepSMILE to the task of Homologous recombination deficiency (HRD) and microsatellite instability (MSI) prediction。
  論文  参考訳（メタデータ） (2021-07-20T11:00:16Z)
• PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning [109.84770951839289]
  歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。 本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-17T08:28:30Z)
• Understanding Self-supervised Learning with Dual Deep Networks [74.92916579635336]
  本稿では,2組の深層ReLUネットワークを用いたコントラスト型自己教師学習(SSL)手法を理解するための新しい枠組みを提案する。 種々の損失関数を持つSimCLRの各SGD更新において、各層の重みは共分散演算子によって更新されることを示す。 共分散演算子の役割と、そのようなプロセスでどのような特徴が学習されるかをさらに研究するために、我々は、階層的潜在木モデル(HLTM)を用いて、データ生成および増大過程をモデル化する。
  論文  参考訳（メタデータ） (2020-10-01T17:51:49Z)

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。