論文の概要: Uncertainty-Aware Continual Learning for Open-World Intent Discovery Under an evolving Label Space

• arxiv url: http://arxiv.org/abs/2609.17866v1
• Date: Tue, 15 Sep 2026 21:45:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.550984
• Title: Uncertainty-Aware Continual Learning for Open-World Intent Discovery Under an evolving Label Space
• Title（参考訳）: ラベル空間の進化にともなうオープンワールドインテント発見のための不確実性認識連続学習
• Abstract要約: 現実世界のインテリジェントシステムは、ユーザの意図が固定されていない、あるいは徹底的に知られているような、オープンワールドの条件下で運用される。 本稿では,ラベル空間の進化にともなう新たな意図発見のための統一的不確実性認識フレームワークを提案する。
• 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: Real-world intelligent systems increasingly operate under open-world conditions, where user intents are not fixed or exhaustively known a priori and may evolve as new interaction patterns emerge. This paper proposes a unified uncertainty-aware probabilistic framework for continual new intent discovery under an evolving label space. Each utterance is encoded through an adaptive $β$-VAE into a latent mean, used for classification and density modelling and a posterior uncertainty estimate acting as a global reliability signal. Classifier confidence, posterior uncertainty and DP-GMM likelihood are combined through a multi-signal decision mechanism to distinguish known intents from potentially novel samples. Candidate novel instances are clustered through a density-based discovery module and only reliable clusters are promoted to new labels, enabling controlled label-space expansion. Replay and Elastic Weight Consolidation mitigate catastrophic forgetting and preserve previously acquired knowledge. The paper formalises continual intent discovery as a structured multi-phase open-world problem, introduces adaptive label-space expansion under stability--plasticity constraints and uses posterior uncertainty to regulate trusted-sample selection, pseudo-labelling, novelty admission and replay. Experiments show high novelty precision, stable adaptation across sequential phases and limited forgetting. Near-zero NMI and ARI indicate limited reconstruction of the complete fine-grained intent taxonomy, consistent with the framework's conservative promotion strategy. Qualitative analyses nevertheless reveal dense and locally coherent semantic clusters, showing that reliable novel structures can be discovered without exhaustive recovery of the underlying taxonomy.
• Abstract（参考訳）: 現実世界のインテリジェントシステムは、ユーザの意図が固定されたり、徹底的に知られていたりすることなく、新たなインタラクションパターンが出現するにつれて進化する、オープンワールドな条件の下でますます運用されるようになる。 本稿では,ラベル空間の進化にともなう新たな意図発見のための統一的不確実性を考慮した確率的枠組みを提案する。 各発話は、適応的な$β$-VAEを通じて潜在平均に符号化され、分類と密度モデリングと、大域的信頼性信号として機能する後続の不確実性推定に使用される。 分類器の信頼度、後続の不確実性、DP-GMMの可能性は、既知の意図を潜在的に新しいサンプルと区別する多信号決定機構によって結合される。 候補となる新しいインスタンスは密度ベースの発見モジュールを通じてクラスタ化され、信頼性の高いクラスタのみが新しいラベルに昇格し、ラベル空間の制御を可能にする。 ReplayとElastic Weight Consolidationは破滅的な忘れを緩和し、以前獲得した知識を保存します。 本論文は, 構造化多相オープンワールド問題として連続意図発見を定式化し, 安定-塑性制約下での適応ラベル空間展開を導入し, 信頼されたサンプル選択, 疑似ラベリング, 新規入場, リプレイを規制するために, 後続の不確実性を利用する。 実験は、高いノベルティ精度、連続的な位相間の安定した適応、限られた忘れ込みを示す。 ほぼゼロのNMIとARIは、フレームワークの保守的なプロモーション戦略と整合して、完全なきめ細かな意図的分類の限られた再構築を示している。 質的な分析では、密度が高く、局所的に一貫性のあるセマンティッククラスタが明らかであり、基礎となる分類学を徹底的に回復することなく、信頼性の高い新しい構造が発見できることが示されている。

関連論文リスト

• ELVAE: Evidential Learning-Based Variational Autoencoder for Uncertainty-Aware Generation [7.5571037918649155]
  変分オートエンコーダは確率的潜伏表現からサンプルを生成するが、潜伏位置に関する不確実性と周囲の変動性を区別しない。 ELVAEを定式化し,各潜時座標を入力依存の正規逆ガンマ後方で制御する。 低不確かさアンカーはより信頼性の高い合成サンプルをサポートし、高不確かさアンカーは故意にストレステストに利用することができる。
  論文  参考訳（メタデータ） (2026-08-11T02:45:59Z)
• Symbiosis-Inspired Knowledge Distillation for Incremental Object Detection [80.33776636283082]
  インクリメンタルオブジェクト検出は、以前取得した知識を維持しながら、検出器を新しいカテゴリに拡張することを目的としている。 既存のメソッドは、しばしばクラスインクリメンタルな学習の観点を採用し、決定境界を鋭くするために特徴空間を分離する。 本稿では2つの相補的なレベルで対象共生を明示的に活用する共生誘発知識蒸留(SIKD)を提案する。
  論文  参考訳（メタデータ） (2026-07-15T05:21:23Z)
• Towards Trustworthy Depression Estimation via Disentangled Evidential Learning [50.22167852149165]
  EviDepはうつ病の重症度を共同で定量化する明らかな学習フレームワークである。 EviDepは、堅牢な証拠合成を保証するために厳密な情報整合性を強制する。 最先端の予測精度と優れた不確実性校正を実現し、信頼できる臨床スクリーニングのための堅牢なフェールセーフメカニズムを提供する。
  論文  参考訳（メタデータ） (2026-04-17T13:27:11Z)
• Knowing the Unknown: Interpretable Open-World Object Detection via Concept Decomposition Model [51.81962097623522]
  オープンワールドオブジェクト検出(OWOD)では、未知のオブジェクトを確実に識別しながら、既知のカテゴリを段階的に検出する必要がある。 本稿では、OWODフレームワーク全体を解釈可能とし、検出器が「未知の知識」を真に理解できるようにすることを目的とする。
  論文  参考訳（メタデータ） (2026-02-24T07:08:47Z)
• GOAL: Geometrically Optimal Alignment for Continual Generalized Category Discovery [48.78384108448773]
  連続一般化カテゴリー発見(C-GCD)は、ラベルのないデータから新しいクラスを特定する必要がある。 GOALは,学習を通して一貫した幾何学的構造を付与する固定等角的タイトフレーム(ETF)分類器を導入する統一フレームワークである。
  論文  参考訳（メタデータ） (2026-02-23T14:15:56Z)
• The Emergence of Lab-Driven Alignment Signatures: A Psychometric Framework for Auditing Latent Bias and Compounding Risk in Generative AI [0.0]
  本稿では,不確実性の下での潜在特性推定を定量化する新しい監査フレームワークを提案する。 この研究は最適化バイアス、Sycophancy、Status-Quo Legitimizationを含む9つの次元にわたる主要なモデルを監査している。
  論文  参考訳（メタデータ） (2026-02-19T06:56:01Z)
• Tri-LLM Cooperative Federated Zero-Shot Intrusion Detection with Semantic Disagreement and Trust-Aware Aggregation [5.905949608791961]
  本稿では,言語に基づくセマンティック管理をフェデレーション最適化に組み込んだ,セマンティックス駆動のフェデレーションIDSフレームワークを提案する。 このフレームワークは、目に見えない攻撃パターンに対して80%以上のゼロショット検出精度を達成し、類似性に基づくベースラインと比較してゼロデイ識別を10%以上改善する。
  論文  参考訳（メタデータ） (2026-01-30T16:38:05Z)
• CLiMB: A Domain-Informed Novelty Detection Clustering Framework for Scientific Discovery [1.0554048699217669]
  CLiMBはドメイン・インフォームド・クラスタリングのためのドメイン・インフォームド・フレームワークである。 未知の構造物の探査から事前の知識を利用する。 CLiMBは、既知の銀河系のサブストラクチャの回復において90%のシードカバレッジを持つ0.829の調整されたランダムインデックスを達成している。
  論文  参考訳（メタデータ） (2026-01-14T11:21:05Z)
• Adaptive Dual Uncertainty Optimization: Boosting Monocular 3D Object Detection under Test-Time Shifts [80.32933059529135]
  TTA(Test-Time Adaptation)メソッドが出現し、推論中にターゲット分布に適応する。 我々は、堅牢なM3ODの両不確実性を共同で最小化するために設計された、最初のTTAフレームワークであるDual Uncertainity Optimization (DUO)を提案する。 並列に,明瞭な意味的手がかりを持つ領域における幾何学的コヒーレンスを保存する意味認識型正規場制約を設計する。
  論文  参考訳（メタデータ） (2025-08-28T07:09:21Z)
• TrustLoRA: Low-Rank Adaptation for Failure Detection under Out-of-distribution Data [62.22804234013273]
  本稿では,共変量および意味的シフトの両条件下での拒絶による分類を統一し,促進する,単純な故障検出フレームワークを提案する。 キーとなる洞察は、障害固有の信頼性知識を低ランクアダプタで分離し、統合することにより、障害検出能力を効果的かつ柔軟に向上できるということです。
  論文  参考訳（メタデータ） (2025-04-20T09:20:55Z)
• Enhancing Open-World Bacterial Raman Spectra Identification by Feature Regularization for Improved Resilience against Unknown Classes [0.0]
  従来のクローズドセット分類手法は、全ての試験サンプルが既知の病原体の1つに属すると仮定する。 ラマン分光法による病原体を同定する現在の最先端ニューラルネットワークは未知の入力に対して脆弱であることを示す。 我々はResNetアーキテクチャの新しいアンサンブルと、既存のクローズドワールド手法よりも優れたアテンションメカニズムを組み合わさった。
  論文  参考訳（メタデータ） (2023-10-19T17:19:47Z)

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。