Fugu-MT 論文翻訳(概要): ALPINE: Adaptive Localization for Parameter- and Sample-Efficient Few-Shot Learning

論文の概要: ALPINE: Adaptive Localization for Parameter- and Sample-Efficient Few-Shot Learning

arxiv url: http://arxiv.org/abs/2609.22323v1
Date: Wed, 16 Sep 2026 03:00:34 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-22 20:29:00.305651
Title: ALPINE: Adaptive Localization for Parameter- and Sample-Efficient Few-Shot Learning
Title（参考訳）: ALPINE:パラメータとサンプル効率の良いFew-Shot学習のための適応的局所化
Abstract要約: 固定Gaborエッジエネルギー誘導とウィンドウ付きコンテント適応型パッチロケータを組み合わせた,数ショット画像分類のための超軽量アーキテクチャを提案する。厳密に整合したアイソエポソード・バッジプロトコルの下で、我々のアーキテクチャは5つのシードのすべてに一貫性を持ち、プロトタイプネットワーク、リレーショナルネットワーク、MAMLにまたがる5つの精度向上を実現し、どのベースラインよりも27～53%少ないパラメータを使用する。正直に言って,22～35kのパラメータ付近の正確な精度を示すキャパシティスイープとともに,計算のための全シードレベルの結果をリリースする。
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: Few-shot learning research is predominantly evaluated on accuracy alone, with limited attention to the parameter and training-sample budgets required to reach that accuracy - a real constraint for practitioners without large-scale compute. We present an ultra-lightweight (22,249-34,917 parameter) spatial-relational architecture for few-shot image classification that combines fixed Gabor edge-energy guidance with a windowed, content-adaptive patch locator. Under a strictly matched, iso-episode-budget protocol (250 meta-training episodes, 5 canonical seeds, 600 evaluation episodes per seed), our architecture achieves 5-shot accuracy gains, consistent across all five seeds, over Prototypical Networks, Relation Networks, and MAML on both CIFAR-FS and MiniImageNet, while using 27-53% fewer parameters than any baseline. It also converges in fewer training episodes, generalizes better to an unseen fine-grained domain (CUB-200-2011 birds, zero retraining), and is more robust to 50% occlusion and 25% spatial translation than all three baselines. A series of falsification ablations - zeroing relational tokens at inference and retraining without them entirely - shows that the architecture's pairwise relational computation, while present, is not the primary driver of its performance; the content-adaptive patch locator is. We report this honestly, together with a capacity sweep showing a genuine accuracy plateau near 22-35k parameters, and release full seed-level results and checkpoint hashes for reproducibility.
Abstract（参考訳）: この精度に達するのに必要なパラメータやトレーニングサンプルの予算に限定された注意が、大規模な計算のない実践者にとって真の制約である。超軽量(22,249-34,917パラメータ)な画像分類システムを提案する。厳密に一致したアイソエピソード・バッジプロトコル(250個のメタトレーニングエピソード、5個のカノニカルシード、600個の評価エピソード)の下で、我々のアーキテクチャは、どのベースラインよりも27～53%少ないパラメータを使用しながら、5つのシード全体にわたって一貫性のある5ショット精度向上を実現している。また、トレーニングエピソードが少なくなり、目に見えない細粒度ドメイン(CUB-200-2011の鳥、再訓練はゼロ)に一般化し、3つのベースラインよりも50%の閉塞率と25%の空間翻訳に頑健である。一連のファルシフィケーションの廃止 - 推論時にリレーショナルトークンをゼロにし、完全にリトレーニングせずにリレーショナルトークンをゼロにする - は、アーキテクチャのペアワイドなリレーショナル計算が、現在、そのパフォーマンスの第一の要因ではないことを示している。正直なところ,22～35kパラメータ付近の正確な精度を示すキャパシティ・スイープとともに,全種レベルでの結果と再現性を示すチェックポイントハッシュを公表した。

関連論文リスト

Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
PointArena 2026は77.2%の精度でベンチマークで2位である。 ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
論文参考訳（メタデータ） (2026-06-29T06:39:03Z)
Resonant Sparse Geometry Networks [0.0]
共振器スパース幾何ネットワーク(Resonant Sparse Geometry Networks, RSGN)は, 自己組織型スパーススパース入力依存接続を持つ脳にインスパイアされたアーキテクチャである。 RSGNは、接続強度が測地距離で減衰する学習された双曲空間に計算ノードを埋め込む。
論文参考訳（メタデータ） (2026-01-26T01:45:51Z)
Explainable Deep Learning for Brain Tumor Classification: Comprehensive Benchmarking with Dual Interpretability and Lightweight Deployment [4.259927630334864]
この研究は、MRI画像から脳腫瘍を自動分類するための完全なディープラーニングシステムを提供する。 Inception-ResNet V2は最先端のパフォーマンスに達し、99.53%の精度を達成した。このエンドツーエンドソリューションは、信頼できるAIの正確性、解釈可能性、デプロイ性を考慮している。
論文参考訳（メタデータ） (2025-11-20T17:21:40Z)
Balanced Multi-Task Attention for Satellite Image Classification: A Systematic Approach to Achieving 97.23% Accuracy on EuroSAT Without Pre-Training [0.0]
本研究は、衛星土地利用分類のための独自の畳み込みニューラルネットワークアーキテクチャを体系的に研究する。事前訓練されたモデルに依存することなく、EuroSATデータセット上で97.23%のテスト精度を達成する。我々の手法は、外部データを必要としない微調整されたResNet-50(98.57%)の1.34%で性能を達成する。
論文参考訳（メタデータ） (2025-10-17T10:59:24Z)
SGAD: Semantic and Geometric-aware Descriptor for Local Feature Matching [16.683203139962153]
本稿では,領域ベースのマッチングを根本的に再考するSemantic and Geometric-aware Descriptor Network (SGAD)を紹介する。 SGADは、複雑なグラフの最適化なしに直接マッチングを可能にする、高度に識別可能な領域記述子を生成する。我々は、領域マッチングタスクを分類とランク付けサブタスクに分解する新しい監督戦略により、領域マッチングの性能をさらに改善する。
論文参考訳（メタデータ） (2025-08-04T10:46:53Z)
Just How Flexible are Neural Networks in Practice? [89.80474583606242]
ニューラルネットワークは、パラメータを持つ少なくとも多くのサンプルを含むトレーニングセットに適合できると広く信じられている。しかし実際には、勾配や正規化子など、柔軟性を制限したトレーニング手順によるソリューションしか見つからない。
論文参考訳（メタデータ） (2024-06-17T12:24:45Z)
Pretraining Without Attention [114.99187017618408]
本研究では、状態空間モデル(SSM)に基づくシーケンスルーティングの最近の進歩を利用して、注意を払わずに事前学習を探索する。 BiGS は GLUE 上で BERT の事前トレーニング精度と一致し、近似なしで 4096 トークンの長期事前トレーニングに拡張できる。
論文参考訳（メタデータ） (2022-12-20T18:50:08Z)
Fast Uncertainty Quantification for Deep Object Pose Estimation [91.09217713805337]
深層学習に基づくオブジェクトポーズ推定は、しばしば信頼できない、自信過剰である。本研究では,6-DoFオブジェクトのポーズ推定のための,シンプルで効率的かつプラグアンドプレイなUQ手法を提案する。
論文参考訳（メタデータ） (2020-11-16T06:51:55Z)
Making Affine Correspondences Work in Camera Geometry Computation [62.7633180470428]
局所的な特徴は、ポイント・ツー・ポイント対応ではなく、リージョン・ツー・リージョンを提供する。本稿では,全モデル推定パイプラインにおいて,地域間マッチングを効果的に活用するためのガイドラインを提案する。実験により、アフィンソルバはより高速な実行時にポイントベースソルバに匹敵する精度を達成できることが示された。
論文参考訳（メタデータ） (2020-07-20T12:07:48Z)
Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection [85.53263670166304]
一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。 1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
論文参考訳（メタデータ） (2020-06-08T07:24:33Z)

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。