論文の概要: Beyond Class Marginals: Bounding Rehearsal Gaps without Freezing Class Co-occurrence

• arxiv url: http://arxiv.org/abs/2609.25735v1
• Date: Tue, 22 Sep 2026 06:12:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.238337
• Title: Beyond Class Marginals: Bounding Rehearsal Gaps without Freezing Class Co-occurrence
• Title（参考訳）: クラス・マージナルを超えて:クラス・コレクレンスを凍結せずにリハーサル・ギャップを埋める
• Abstract要約: クラスのバランスの取れたリプレイは、クラスの頻度を制御するが、クラスの連続したリプレイの出現間隔を決定することはない。 ランダム化パスリプレイ(RPR)を導入し,シャッフルパス毎に各居住者クラスを訪問する。 RPRの最終的な平均精度は、貯水池ストレージ下での独立クラスバランス検索と比較して0.72-1.67ポイント向上する。
• 参考スコア（独自算出の注目度）: 14.187070874467416
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Class-balanced replay controls class frequency but does not determine the interval between successive replay appearances of a class. We study this interval, the rehearsal gap, separately from the class marginal and class co-occurrence, and introduce randomised-pass replay (RPR), which visits each resident class once per shuffled pass. For a fixed set of C resident classes and replay batch size b less than or equal to C, RPR preserves the balanced time-averaged class marginal and bounds every gap by 2*ceil(C/b)-1; a churn-conditional bound applies while the resident set changes. The scheduler uses no future class information and adds no replay examples or forward passes. In a linear-head ER-ACE diagnostic, joint absence from the incoming and replay batches produces a one-sided classifier-bias gradient. Longer absence episodes are associated with larger negative bias displacement, and removing the incoming-loss mask attenuates the scheduling effect. In the primary ER-ACE experiments, RPR improves final average accuracy by 0.72-1.67 percentage points relative to independent class-balanced retrieval under reservoir storage, with positive effects also observed under balanced storage. Pretrained ViTs show positive effects on the tested LT10 streams with small replay batches, while matched larger-batch controls show no material effect. Fixed-cycle and reused-pass controls change more than one temporal statistic, so the experiments do not isolate rehearsal-gap length from all other forms of temporal dependence. The accuracy effects depend on the learner and operating regime.
• Abstract（参考訳）: クラスのバランスの取れたリプレイは、クラスの頻度を制御するが、クラスの連続したリプレイの出現間隔を決定することはない。 我々は,この間隔,リハーサルギャップについて,クラス境界とクラス共起とは別個に検討し,ランダム化パスリプレイ(RPR)を導入し,シャッフルパス毎に各居住者クラスを訪問した。 C の常駐クラスの固定集合と C 以下のバッチサイズ b に対して、RPR はバランスのとれた平均的なクラス境界を保ち、すべてのギャップを 2*ceil(C/b)-1 でバウンドする。 スケジューラは将来のクラス情報を使用しず、リプレイ例やフォワードパスを追加しない。 線形ヘッドER-ACE診断では、入出力バッチと再生バッチの結合欠如により、一方の分類器バイアス勾配が生じる。 より長い不在エピソードは、より大きな負のバイアス偏差と関連付けられ、入射マスクの除去はスケジュール効果を減衰させる。 一次ER-ACE実験において、RPRは、貯蓄下での独立なクラスバランス検索と比較して、最終平均精度を0.72-1.67ポイント改善し、また、平衡ストレージ下でも正の効果が観察される。 事前訓練されたViTは、小さなリプレイバッチで試験されたLT10ストリームに肯定的な効果を示し、マッチしたより大きなバッチ制御は、物質的効果を示さなかった。 固定サイクルと再利用パス制御は、複数の時間統計量を変化させるため、実験は、他の時間的依存のあらゆる形態からリハーサルギャップの長さを分離しない。 精度は学習者や運用体制によって異なる。

関連論文リスト

• Correcting Within-Group Self-Selection Bias in Prioritized Replay [11.652221710150824]
  優先体験再生(PER)は、高優先度遷移を再生することでサンプリング効率を向上させる。 環境において、PERは、同じ状態-作用対を持つ遷移から再生された実効結果の分布を歪めることができる。 我々は、グループ内結果の周波数の変化とベルマン目標の平均を定量化する。
  論文  参考訳（メタデータ） (2026-09-21T18:41:12Z)
• Luck Is Not Skill: When Do Paired Rollouts Help Group-Relative RL of LLM Agents? [2.488251122211714]
  グループ相対強化学習は、同じプロンプトのロールアウトを比較するが、独立した環境ノイズはこれらの比較を曖昧にする可能性がある。 本研究は,各グループ内において,各ロールアウトの周縁分布を保ちながら,イベントキー付きノイズスケジュールを共有するペア付きロールアウトについて検討する。 片側グレーダ雑音に対して、還元の正確な条件を導出し、勾配のばらつきが増大する一方、報酬のコントラストが改善する反例を与える。
  論文  参考訳（メタデータ） (2026-09-21T05:55:08Z)
• Amortized Interventional Forecasting for Multivariate CIR Processes [2.918919242459813]
  平均回帰力学は金融において広く普及している。 CIRモデルは、列間のエンフコーズの影響ではなく、エンフコーズに関連するコムーブメントのみをキャプチャする。
  論文  参考訳（メタデータ） (2026-08-04T14:17:35Z)
• Calibrated Inference for the Conditional Average Treatment Effect in the Few-Placebo Regime via Gaussian Processes [0.0]
  片方の治療用アームが他方よりもはるかに小さい,少数のプラセボ系について検討した。 それらは、その名目レベルよりも、真の効果をほとんど含まない。 本稿では,各アームの結果面をガウス過程でモデル化するGP-CATEを提案する。
  論文  参考訳（メタデータ） (2026-05-26T11:18:42Z)
• CARE What Fails: Contrastive Anchored-REflection for Verifiable Multimodal [84.71254539482369]
  検証可能な報酬を伴うグループ相対的強化学習(RLVR)は、しばしば、すでに失敗している最も情報に富むデータを浪費する。 エラーを監督するマルチモーダル推論のための,障害中心のポストトレーニングフレームワークであるCAREを提案する。 CAREは正確さを改善し、スムーズさをトレーニングすると同時に、障害からの学習信号のシェアを明示的に増やします。
  論文  参考訳（メタデータ） (2025-12-22T16:34:21Z)
• REBAR: Retrieval-Based Reconstruction for Time-series Contrastive Learning [64.08293076551601]
  正の対を識別する学習尺度を新たに提案する。 検索ベースレコンストラクションは2つのシーケンス間の類似度を測定する。 本稿では,REBAR誤差が相互クラスメンバシップの予測因子であることを示す。
  論文  参考訳（メタデータ） (2023-11-01T13:44:45Z)
• Undersampling and Cumulative Class Re-decision Methods to Improve Detection of Agitation in People with Dementia [16.949993123698345]
  消化は認知症(PwD)で最も多い症状の1つである。 前回の研究では、参加者17名から600日間のマルチモーダルウェアラブルセンサデータを収集し、1分間の窓での動揺を検出する機械学習モデルを開発した。 本稿では,まず,不均衡を解消するために異なるアンダーサンプリング手法を実装し,通常の動作データの20%だけが競合的動揺検出モデルの訓練に適しているという結論に至った。
  論文  参考訳（メタデータ） (2023-02-07T03:14:00Z)
• Learnable Distribution Calibration for Few-Shot Class-Incremental Learning [122.2241120474278]
  FSCIL(Few-shot class-incremental Learning)は、古いクラス分布を記憶し、少数のトレーニングサンプルから新しいクラス分布を推定するという課題に直面している。 本稿では,これら2つの課題を統一フレームワークを用いて体系的に解決することを目的とした,学習可能な分布校正手法を提案する。
  論文  参考訳（メタデータ） (2022-10-01T09:40:26Z)
• Relieving Long-tailed Instance Segmentation via Pairwise Class Balance [85.53585498649252]
  長い尾のインスタンスセグメンテーションは、クラス間のトレーニングサンプルの極端な不均衡のために難しいタスクである。 尾のついたものに対して、(大多数のサンプルを含む)ヘッドクラスの深刻なバイアスを引き起こす。 そこで本研究では,学習中の予測嗜好を蓄積するために,学習中に更新される混乱行列上に構築された新しいPairwise Class Balance(PCB)手法を提案する。
  論文  参考訳（メタデータ） (2022-01-08T07:48:36Z)

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。