論文の概要: Parameter isolation with domain-specific experts for incremental audio classification

• arxiv url: http://arxiv.org/abs/2609.14730v1
• Date: Sun, 13 Sep 2026 18:47:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.909372
• Title: Parameter isolation with domain-specific experts for incremental audio classification
• Title（参考訳）: インクリメンタルオーディオ分類のためのドメイン特化専門家によるパラメータ分離
• Abstract要約: 本稿では,過去のドメインを全て保持する新しいドメイン固有パラメータアイソレーションアーキテクチャを提案する。 我々は、データフリーな生成リプレイを組み込んで、以前のドメインデータとクロスドメイン機能の生成を再構築し、後のドメインから欠落した専門家機能を復元する。 我々は,チャレンジベースラインにおいて,それぞれ78.4%,78.9%のマイクロアキュラティ,マクロアキュラティを実現し,33ポイント,25ポイントの増加を示した。
• 参考スコア（独自算出の注目度）: 4.541172620857825
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: To successfully deploy a model in time-varying environments such as streaming data prediction and sensing control, domain-incremental learning (DIL) has attracted attention since it aims to adapt a previously trained model to newly arriving domains, while reserving knowledge from earlier domains without accessing their data. Incremental learning across domains can be regarded as a recurrent update, in which the current model is obtained by updating the model carried over from previous domains. Conventional DIL approaches that rely on domain-invariant feature learning and weight regularization gradually overwrite or constrain parameters learned in previous domains, leading to catastrophic forgetting. Instead, this paper proposes a new domain-specific parameter-isolation architecture that retains all past domains. The proposed architecture mitigates catastrophic forgetting through a full-order recurrent update, constructing a new expert using domain-specific data conditioned on all previously frozen models. To achieve this, we incorporate data-free generative replay to reconstruct previous-domain data and cross-domain feature generation to recover later expert features missing from earlier domain samples. Finally, we apply the proposed model architecture to domain-agnostic incremental learning for audio classification, as defined in the DCASE 2026 Challenge Task 7. Consequently, we achieve micro and macro accuracies of 78.4% and 78.9%, respectively, representing increases of 33 and 25 percentage points over the Challenge baseline. Ablation studies are conducted to examine the effectiveness of each processing component in terms of classification accuracy.
• Abstract（参考訳）: ストリーミングデータ予測やセンシング制御などの時間変化環境におけるモデル展開に成功するために、ドメインインクリメンタルラーニング(DIL)は、データにアクセスすることなく、以前のドメインからの知識を保ちながら、以前にトレーニングされたモデルを新たに到着したドメインに適応することを目的としており、注目を集めている。 ドメイン間のインクリメンタルラーニングは、以前のドメインから受け継がれたモデルを更新することで現在のモデルが得られるリカレントアップデートと見なすことができる。 ドメイン不変の特徴学習と重み正規化に依存した従来のDILアプローチは、以前のドメインで学んだパラメータを徐々に上書きしたり制約したりすることで、破滅的な忘れを招いた。 そこで本研究では,過去のドメインを全て保持する新しいドメイン固有パラメータアイソレーションアーキテクチャを提案する。 提案したアーキテクチャは、全順序のリカレント更新を通じて破滅的な忘れを軽減し、以前に凍結されたすべてのモデルで条件付けられたドメイン固有データを使用して、新たなエキスパートを構築する。 これを実現するために、データフリーな生成再生を組み込んで、事前ドメインデータとクロスドメイン機能生成を再構築し、後続のドメインサンプルから欠落した専門家機能を復元する。 最後に、提案したモデルアーキテクチャを、DCASE 2026 Challenge Task 7で定義された、音声分類のためのドメインに依存しない漸進学習に適用する。 その結果, マイクロ・マクロ・アキュラシーは78.4%, マクロ・アキュラシーは78.9%となり, チャレンジベースラインの33ポイントと25ポイントの増加を示した。 分類精度の観点から, 各処理成分の有効性を検討するため, アブレーション試験を行った。

関連論文リスト

• Orthogonal Knowledge Refreshing for Domain-Incremental Object Detection [37.885906679929796]
  ドメイン・インクリメンタルなオブジェクト検出は、事前の知識を保持しながら、新しいドメインに継続的に適応するモデルを必要とする。 直交知識リフレッシュ(OKR, Orthogonal Knowledge Refreshing)は,DIODの簡易かつ効果的なフレームワークである。 OKRは独立したドメイン固有の部分空間を、各ドメインに対して専用のローランクブランチを通じて徐々に構成する。
  論文  参考訳（メタデータ） (2026-07-19T17:02:15Z)
• What's in a Latent? Leveraging Diffusion Latent Space for Domain Generalization [10.079844840768054]
  ドメインの一般化は、新しい、目に見えないデータ分布に一般化できるモデルを開発することを目的としている。 モデルアーキテクチャと事前学習の目的が機能豊かさに与える影響について検討する。 我々のフレームワークは、最大4%以上のテスト精度向上により、未確認領域への一般化を改善する。
  論文  参考訳（メタデータ） (2025-03-09T17:29:01Z)
• Learning Latent Spaces for Domain Generalization in Time Series Forecasting [60.29403194508811]
  時系列予測は多くの実世界のアプリケーションにおいて不可欠であるが、見つからない関連ドメインをうまく一般化するモデルの開発はまだ未定である。 本稿では,ドメイン間の時間的依存関係を規定する潜在因子をマイニングすることで時系列予測におけるドメイン一般化の枠組みを提案する。 提案手法では,新しい条件付き$beta$-Variational Autoencoder (VAE) を用いて,時系列データをトレンド周期および季節成分に分解する。
  論文  参考訳（メタデータ） (2024-12-15T12:41:53Z)
• Progressive Conservative Adaptation for Evolving Target Domains [76.9274842289221]
  従来のドメイン適応は、典型的には、ソースドメインから定常ターゲットドメインに知識を転送する。 このような対象データに対する復元と適応は、時間とともに計算とリソース消費をエスカレートする。 我々は、進歩的保守的適応(PCAda)と呼ばれる、単純で効果的なアプローチを提案する。
  論文  参考訳（メタデータ） (2024-02-07T04:11:25Z)
• Memory-Efficient Prompt Tuning for Incremental Histopathology Classification [69.46798702300042]
  本稿では,経済的なメモリコストのモデル一般化ポテンシャルを育成するための,メモリ効率の良いプロンプトチューニングフレームワークを提案する。 乳癌転移分類と上皮間質組織分類の2つの病理組織学的タスクにより,我々の枠組みを広く評価した。
  論文  参考訳（メタデータ） (2024-01-22T03:24:45Z)
• Improving Domain Generalization with Domain Relations [77.63345406973097]
  本稿では、モデルがトレーニングされたドメインと異なる新しいドメインに適用されたときに発生するドメインシフトに焦点を当てる。 ドメイン固有モデルを学習するためのD$3$Gという新しい手法を提案する。 以上の結果から,D$3$Gは最先端の手法より一貫して優れていた。
  論文  参考訳（メタデータ） (2023-02-06T08:11:16Z)
• Domain-incremental Cardiac Image Segmentation with Style-oriented Replay and Domain-sensitive Feature Whitening [67.6394526631557]
  M&Mは、各受信データセットから漸進的に学習し、時間が経つにつれて改善された機能で漸進的に更新する必要がある。 医学的シナリオでは、データのプライバシのため、過去のデータへのアクセスや保存が一般的に許可されないため、これは特に困難である。 本稿では,まず過去のドメイン入力を復元し,モデル最適化中に定期的に再生する新しいドメイン増分学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-09T13:07:36Z)
• Forget Less, Count Better: A Domain-Incremental Self-Distillation Learning Benchmark for Lifelong Crowd Counting [51.44987756859706]
  オフザシェルフ法は複数のドメインを扱うのにいくつかの欠点がある。 生涯クラウドカウンティングは、壊滅的な忘れを緩和し、一般化能力を改善することを目的としている。
  論文  参考訳（メタデータ） (2022-05-06T15:37:56Z)

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。