論文の概要: Knowing Beyond the Known: Reinforced Knowledge Specification for Multi-Label Class-Incremental Learning

• arxiv url: http://arxiv.org/abs/2608.30316v1
• Date: Mon, 31 Aug 2026 06:33:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.257289
• Title: Knowing Beyond the Known: Reinforced Knowledge Specification for Multi-Label Class-Incremental Learning
• Title（参考訳）: 知識を超えて知る:マルチラベルクラスインクリメンタルラーニングのための強化知識仕様
• Abstract要約: 中心となる障害は、既知の知識と未知の知識のあいまいな境界である、と我々は主張する。 我々はKBK(Knowing Beyond the Known)を提案する。これは、歴史的、現在、そして将来的な学習を統合するために、既知のか否かを明示的にモデル化する強化知識仕様フレームワークである。 KBKは、MS-COCO B0-C10設定上のAccのAvg.Accの2.7%を超えている。
• 参考スコア（独自算出の注目度）: 37.885906679929796
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing class-incremental learning methods struggle in multi-label scenarios (MLCIL) due to the inherent contradiction of learning objectives arising from co-occurring and incomplete labels. We argue that the core obstacle is the model's ambiguous boundary between known and unknown knowledge, which undermines historical knowledge retention, complicates current task learning, and limits adaptability to future concepts. To address this, we propose KBK (Knowing Beyond the Known), a reinforced knowledge specification framework that explicitly models what is known or not to unify historical, current, and prospective learning. Specifically, to clarify known knowledge, we develop a hierarchical feature purification module that disentangles fine-grained class-specific features from global features, where high-level semantic abstraction is reinforced with low-level visual features. Additionally, an uncertainty-aware recall enhancement strategy suppresses unreliable predictions based on distribution priors, improving the quality of historical recall. For probing the unknown, KBK leverages semantic correlations to synthesize informative unknown features under co-occurring, preserving embedding space for future learning. Furthermore, to mitigate heterogeneous forgetting, we design a category-balanced gradient compensation loss that dynamically reweights gradient backpropagation according to forgetting speeds. Experiments on multiple benchmarks validate the effectiveness and robustness of KBK, which surpasses prior best methods by 2.7% in Avg. Acc on MS-COCO B0-C10 setting even without any replay buffers.
• Abstract（参考訳）: 既存のクラス増進学習手法は、共起ラベルと不完全ラベルから生じる学習目的の相違により、マルチラベルシナリオ(MLCIL)に苦しむ。 我々は、モデルが持つ既知の知識と未知の知識の境界が、歴史的知識の保持を損なうこと、現在のタスク学習を複雑にすること、将来の概念への適応性を制限すること、を論じる。 そこで我々はKBK(Knowing Beyond the Known)を提案する。KBK(Knowing Beyond the Known)は、歴史的、現在、そして将来的な学習を統一するために、既知のか否かを明示的にモデル化する、強化された知識仕様フレームワークである。 具体的には、既知の知識を明らかにするために、高レベルのセマンティック抽象化を低レベルの視覚的特徴で強化したグローバルな特徴から微細なクラス固有の特徴を分離する階層的特徴浄化モジュールを開発する。 さらに、不確実性を認識したリコール強化戦略は、分布先行に基づく信頼性の低い予測を抑え、過去のリコールの質を向上させる。 未知を探索するために、KBKは意味的相関を利用して、将来の学習のための埋め込み空間を保存し、共起下で情報的未知の特徴を合成する。 さらに、不均一な忘れを緩和するために、忘れる速度に応じて勾配のバックプロパゲーションを動的に重み付けするカテゴリバランスの勾配補償損失を設計する。 複数のベンチマークの実験では、KBKの有効性とロバスト性が検証され、Avgの2.7%を超える。 Acc on MS-COCO B0-C10 はリプレイバッファなしで設定できる。

関連論文リスト

• Test-Time Unlearning via Sparse Autoencoder [55.4290003355764]
  ARIAは,モデルウェイトをそのまま残して,世代が無視関連状態に入る場合にのみ,不要な知識へのアクセスをゲートするテスト時アンラーニング手法である。 ARIAは、思考モデルと命令モデルの両方にわたるウェイトベースベースラインに対する忘れがちなトレードオフを改善します。
  論文  参考訳（メタデータ） (2026-09-14T18:58:09Z)
• Beyond Superficial Forgetting: Thorough Unlearning through Knowledge Density Estimation and Block Re-insertion [27.526437626781597]
  大規模言語モデルに対するブロック再帰(KUnBR)による知識密度誘導学習を提案する。 KUnBRは有害な知識の豊富なレイヤを特定し、再挿入戦略を通じて有害な知識を徹底的に排除する。 いくつかのアンラーニングおよび一般機能ベンチマークで実施された実験は、KUnBRが最先端の忘れたパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2025-11-11T14:12:43Z)
• BLUR: A Bi-Level Optimization Approach for LLM Unlearning [100.90394814817965]
  未学習問題の階層構造をモデル化することが重要であると論じる。 本稿では,より優れた性能を実現する新しいアルゴリズムであるBi-Level UnleaRning(textttBLUR)を提案する。
  論文  参考訳（メタデータ） (2025-06-09T19:23:05Z)
• Knowledge Graph Enhanced Generative Multi-modal Models for Class-Incremental Learning [51.0864247376786]
  学習過程を通じて進化する知識グラフを構築する知識グラフ強化多モードモデル(KG-GMM)を導入する。 テスト中,生成されたテキスト内の関係を解析し,特定のカテゴリを特定する知識グラフ拡張推論手法を提案する。
  論文  参考訳（メタデータ） (2025-03-24T07:20:43Z)
• Specifying What You Know or Not for Multi-Label Class-Incremental Learning [26.607584252708868]
  MLCIL(Multi-label class-incremental learning)の主な課題は、モデルが既知の知識と未知の知識を明確に区別できないことである。 この曖昧さは、モデルが歴史的知識を保持し、現在のクラスをマスターし、将来の学習に備える能力を妨げます。
  論文  参考訳（メタデータ） (2025-03-21T10:26:32Z)
• Towards Robust Incremental Learning under Ambiguous Supervision [22.9111210739047]
  インクリメンタル部分ラベル学習(IPLL)という,弱教師付き学習パラダイムを提案する。 IPLLは、新しいクラスが時々出現する、シーケンシャルな完全教師付き学習問題に対処することを目的としている。 我々は,代表性と多様性を維持しつつ,明瞭なサンプルを収集するメモリ再生技術を開発した。
  論文  参考訳（メタデータ） (2025-01-23T11:52:53Z)
• 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)
• Few-Shot Class-Incremental Learning with Prior Knowledge [94.95569068211195]
  本稿では,事前学習モデルの一般化能力を高めるために,先行知識を用いた学習(LwPK)を提案する。 実験結果から,LwPKは破滅的忘れ込みに対するモデルレジリエンスを効果的に向上させることが示された。
  論文  参考訳（メタデータ） (2024-02-02T08:05:35Z)
• Inherit with Distillation and Evolve with Contrast: Exploring Class Incremental Semantic Segmentation Without Exemplar Memory [23.730424035141155]
  本稿では,DADA(Dense Knowledge Distillation on all aspects)とARCL(Asymmetric Region-wise Contrastive Learning)モジュールからなるIDECを提案する。 本稿では,Pascal VOC 2012 ADE20K や ISPRS など,最先端のパフォーマンスによる複数の CISS タスクに対する提案手法の有効性を示す。
  論文  参考訳（メタデータ） (2023-09-27T05:38:31Z)
• Mitigating Forgetting in Online Continual Learning via Contrasting Semantically Distinct Augmentations [22.289830907729705]
  オンライン連続学習(OCL)は、非定常データストリームからモデル学習を可能とし、新たな知識を継続的に獲得し、学習した知識を維持することを目的としている。 主な課題は、"破滅的な忘れる"問題、すなわち、新しい知識を学習しながら学習した知識を十分に記憶できないことにある。
  論文  参考訳（メタデータ） (2022-11-10T05:29:43Z)
• Queried Unlabeled Data Improves and Robustifies Class-Incremental Learning [133.39254981496146]
  クラス増分学習(Class-incremental Learning, CIL)は、新たに追加されたクラスを学習することと、以前に学習したクラス知識を保存することの間の悪名高いジレンマに悩まされる。 我々は、連続学習において「自由」な外部ラベル付きデータクエリを活用することを提案する。 CIL-QUDを堅牢化したバージョンにシームレスに拡張する。
  論文  参考訳（メタデータ） (2022-06-15T22:53:23Z)

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。