論文の概要: Hierarchical Response Preservation for Continual Adaptation of Zero-Shot Graph-Text Models

• arxiv url: http://arxiv.org/abs/2609.33607v1
• Date: Sun, 27 Sep 2026 14:20:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-05 15:24:02.75626
• Title: Hierarchical Response Preservation for Continual Adaptation of Zero-Shot Graph-Text Models
• Title（参考訳）: ゼロショットグラフテキストモデルの連続適応のための階層的応答保存
• Abstract要約: 階層的応答保存(HiRP) HiRPは、新しいクラスの確率を和らげる階層的な反応によってこの競争を表現し、歴史的区別を保ち、新しいクラスグループ内の区別を適応させながら、競争を集約する。 ゼロショット転送劣化を軽減しつつ、各設定において最強の比較ベースラインよりも平均精度が1.84-7.95ポイントの絶対ゲインを達成する。
• 参考スコア（独自算出の注目度）: 17.300848019621053
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pretrained graph-text models align graph representations with textual semantics, enabling recognition of unseen classes and transfer across graph domains. However, as graph data and classes continually arrive, models should learn from new supervision while retaining their zero-shot transfer capabilities and historical task knowledge. Two challenges arise: (i) new classes can overturn historical predictions despite preserved distinctions among historical classes, and (ii) overly strict response preservation can stall learning of new classes. To address these challenges, we propose Hierarchical Response Preservation (HiRP). HiRP represents this competition through a hierarchical response that keeps each historical-class probability and sums new-class probabilities, preserving historical distinctions and aggregate competition while allowing distinctions within the new class group to adapt. It further uses the geometry induced by this response to guide constrained updates, retaining useful adaptation directions while controlling response drift. Across three class-incremental settings, HiRP achieves absolute gains of 1.84-7.95 percentage points in average accuracy over the strongest compared baseline in each setting, while mitigating zero-shot transfer degradation.
• Abstract（参考訳）: 事前訓練されたグラフテキストモデルは、グラフ表現をテキスト意味論と整合させ、目に見えないクラスの認識とグラフドメイン間の転送を可能にする。 しかし、グラフデータとクラスが継続的に到着するにつれて、モデルはゼロショット転送能力と過去のタスク知識を維持しながら、新しい監督から学ぶ必要がある。 2つの課題が生じる。 一 歴史階層の区別を保ったまま、歴史予測を覆すことができること。 (二)過度に厳格な対応保存は、新しい授業の学習を妨げかねない。 これらの課題に対処するため,階層的応答保存(HiRP)を提案する。 HiRPはこの競争を階層的な反応によって表現し、それぞれの歴史的階級の確率を維持し、新しい階級の確率を和らげ、歴史的な区別と競争を保存し、新しい階級の集団内の区別を適応させる。 さらに、この応答によって誘導される幾何学を用いて、制限された更新をガイドし、応答のドリフトを制御しながら、有用な適応方向を保持する。 3つのクラスインクリメンタル設定において、HIRPはゼロショット転送劣化を軽減しつつ、各設定において最強比較ベースラインよりも平均精度1.84-7.95ポイントの絶対ゲインを達成している。

関連論文リスト

• FedOGL: Combating Catastrophic Forgetting in Federated Open-World Multimodal Graph Learning [26.774513573509108]
  フェデレートされたグラフ学習は、生のグラフ情報を共有せずに、分散化されたグラフデータに対する協調的なトレーニングを可能にする。 クライアントは、過去のカテゴリを保持しながら、プライベートなマルチモーダルグラフストリームから新しいクラスを学習し、現在の既知のクラス空間の外でサンプルを拒否する必要がある。 セマンティック・構造記憶保存フレームワークである textbfFedOGL を提案する。
  論文  参考訳（メタデータ） (2026-07-30T04:24:41Z)
• Adaptive Recurrent Message Passing for Test Time Computing on Graphs [80.56829418752513]
  繰り返しグラフモデルでは,グラフデータとアーキテクチャ設計の固有のミスマッチを克服できることを示す。 本稿では,アダプティブ・リカレントグラフモデルであるAdaRを提案する。
  論文  参考訳（メタデータ） (2026-06-21T12:14:11Z)
• Continual Action Quality Assessment via Adaptive Manifold-Aligned Graph Regularization [53.82400605816587]
  アクション品質アセスメント(AQA)は、ビデオにおける人間の行動を定量化し、スポーツスコアリング、リハビリテーション、スキル評価の応用を支援する。 大きな課題は、現実世界のシナリオにおける品質分布の非定常的な性質にある。 本稿では,進化する分布を扱うための連続学習機能を備えた連続AQA(Continuous AQA)を紹介する。
  論文  参考訳（メタデータ） (2025-10-08T10:09:47Z)
• Strike a Balance in Continual Panoptic Segmentation [60.26892488010291]
  既存の知識の安定性と新しい情報への適応性のバランスをとるため,過去クラスのバックトレース蒸留を導入する。 また,リプレイ用サンプルセットのクラス分布と過去のトレーニングデータとの整合性を考慮したクラス比記憶戦略を導入する。 連続パノプティカルバランス(BalConpas)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-07-23T09:58:20Z)
• Tendency-driven Mutual Exclusivity for Weakly Supervised Incremental Semantic Segmentation [56.1776710527814]
  Weakly Incremental Learning for Semantic (WILSS)は、トレーニング済みのセグメンテーションモデルを利用して、コスト効率と手軽に利用できるイメージレベルのラベルを使用して、新しいクラスをセグメンテーションする。 WILSSを解く最も一般的な方法は、各新しいクラスのシード領域の生成であり、ピクセルレベルの監視の一形態として機能する。 本研究は, 種子領域の挙動を綿密に調整した, 相互排他性に関する革新的, 傾向的関係について提案する。
  論文  参考訳（メタデータ） (2024-04-18T08:23:24Z)
• Prototypical quadruplet for few-shot class incremental learning [24.814045065163135]
  改良されたコントラスト損失を用いて,より優れた埋め込み空間を同定し,分類ロバスト性を向上させる手法を提案する。 我々のアプローチは、新しいクラスで訓練された場合でも、埋め込み空間で以前獲得した知識を保っている。 提案手法の有効性は,新しいクラスでモデルを訓練した後,組込み空間がそのままであることを示すとともに,各セッションの精度で既存の最先端アルゴリズムより優れていることを示すことで実証する。
  論文  参考訳（メタデータ） (2022-11-05T17:19:14Z)
• New Insights on Reducing Abrupt Representation Change in Online Continual Learning [69.05515249097208]
  我々は、以前に観測されていないクラスが入ってくるデータストリームに現れるときに発生する観測データの表現の変化に焦点を当てる。 Experience Replayを適用すると、新たに追加されたクラスの表現が以前のクラスと大幅に重複することを示します。 本稿では,新しいクラスに対応するために,学習した表現を劇的な適応から保護することで,この問題を緩和する手法を提案する。
  論文  参考訳（メタデータ） (2022-03-08T01:37:00Z)
• Class-incremental Learning with Rectified Feature-Graph Preservation [24.098892115785066]
  本論文の中心的なテーマは,逐次的な段階を経る新しいクラスを学習することである。 旧知識保存のための重み付きユークリッド正規化を提案する。 新しいクラスを効果的に学習するために、クラス分離を増やすためにバイナリクロスエントロピーでどのように機能するかを示す。
  論文  参考訳（メタデータ） (2020-12-15T07:26:04Z)

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。