論文の概要: Online Versatile Incremental Learning: Towards Class and Domain-Agnostic Adaptation at Any Time

• arxiv url: http://arxiv.org/abs/2609.36442v1
• Date: Tue, 29 Sep 2026 01:01:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.083544
• Title: Online Versatile Incremental Learning: Towards Class and Domain-Agnostic Adaptation at Any Time
• Title（参考訳）: オンラインVersatile Incremental Learning: いつでもクラスとドメインに依存しない適応を目指して
• Abstract要約: この研究は、クラスの概念と視覚ドメインが明示的な境界なしに同時にオンラインに進化するという、新しいシナリオであるOnline VILを導入している。 相補的な2つのメカニズムを含むTopFlow, Topology Conservation with Flow matching representationを提案する。 我々の実験は、TopFlowがオンラインVILシナリオにおける既存のメソッドの制限に効果的に対処していることを示した。
• 参考スコア（独自算出の注目度）: 38.48667126213837
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Continual learning enables vision systems to adapt to ever-changing data distributions. Despite significant advances, existing approaches fail to capture continuous and concurrent shifts in classes and domains, a critical capability for real-world deployment. This work introduces Online VIL (Online Versatile Incremental Learning), a novel scenario where class concepts and visual domains evolve simultaneously online without explicit boundaries. To better adapt to the challenges of such dynamic environments that more closely resemble real-world conditions, we propose a novel framework TopFlow, Topology preservation with Flow matching representation that contains two complementary mechanisms: Domain-agnostic Flow Matching (DFM) and Global Topology Preservation (GTP). DFM guides the model to have domain-agnostic representations by integrating the geodesic flow kernel into contrastive learning. In contrast, GTP maintains the global structure of the feature space without explicitly storing past examples. Our extensive experiments demonstrate that TopFlow effectively addresses the limitations of existing methods within the Online VIL scenario, achieving state-of-the-art performance in challenging Online VIL. The proposed methods suggest potential directions for building continual learning systems in realistic dynamic environments. Our implementation code is available at https://github.com/KU-VGI/Online-VIL.
• Abstract（参考訳）: 継続的な学習により、視覚システムは絶えず変化するデータ分布に適応できる。 大幅な進歩にもかかわらず、既存のアプローチでは、クラスやドメインの継続的および並行的なシフトをキャプチャできない。 オンラインVIL(Online Versatile Incremental Learning)は、クラスの概念と視覚ドメインが明確な境界なしに同時にオンラインに進化する、新しいシナリオである。 実世界の状況によく似た動的な環境の課題に適応するために,ドメインに依存しないフローマッチング(DFM)とグローバルトポロジ保存(GTP)の2つの相補的なメカニズムを含む,トポロジの表現を用いたトポロジ保存(TopFlow)を提案する。 DFMは、ジオデシックフローカーネルをコントラスト学習に統合することにより、ドメインに依存しない表現をモデルに導出する。 対照的に、GTPは過去の例を明示的に保存することなく、機能空間のグローバルな構造を維持している。 我々の広範な実験は、TopFlowがオンラインVILシナリオにおける既存のメソッドの制限に効果的に対処し、オンラインVILに挑戦する上で最先端のパフォーマンスを達成することを実証している。 提案手法は,現実的な動的環境下で連続学習システムを構築するための潜在的方向性を示唆する。 実装コードはhttps://github.com/KU-VGI/Online-VILで公開しています。

関連論文リスト

• HEAT: Heterogeneous End-to-End Autonomous Driving via Trajectory-Guided World Models [50.18051979020699]
  エンドツーエンドの自動運転は、従来のモジュラーパイプラインに代わる魅力的な代替手段として登場した。 本稿では,計画軌道に関する学習を組織する軌道駆動学習パラダイムを提案する。 一つの統一モデルが、各ドメイン内で強いパフォーマンスを維持しながら、異種データセット上でトレーニング可能であることを示す。
  論文  参考訳（メタデータ） (2026-05-19T10:12:01Z)
• Decoupled and Divergence-Conditioned Prompt for Multi-domain Dynamic Graph Foundation Models [59.8742208800447]
  分離および分散条件付きプロンプトに基づく動的グラフ基礎モデルであるDyGFMを提案する。 DyGFMは、ノード分類とリンク予測の両方において、12の最先端のベースラインを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2026-05-13T13:50:03Z)
• Cross-Sample Relational Fusion: Unifying Domain Generalization and Class-Incremental Learning [83.67663266193308]
  CIL(Class-Incremental Learning)は、学習システムにおいて、それまでの知識を維持しつつ、新しいクラスを学ぶことを必要とする。 自動運転車のような現実のシナリオでは、晴れた日に都市部の道路で訓練されたシステムは、後に農村部や高速道路環境で運用する必要がある。 ドメインシフトと破滅的な忘れを同時に解決する統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-09T09:49:13Z)
• OnlineSI: Taming Large Language Model for Online 3D Understanding and Grounding [53.33067495235966]
  OnlineSIは、ビデオストリームが与えられた周囲の空間的理解を改善するためのフレームワークである。 私たちの中核となる考え方は、過去の観測を維持するために有限空間記憶を維持することです。 さらに3Dポイントのクラウド情報を意味情報と統合し、MLLMがシーン内のオブジェクトをよりよく見つけ、識別するのに役立つ。
  論文  参考訳（メタデータ） (2026-01-23T08:17:57Z)
• ViDA: Homeostatic Visual Domain Adapter for Continual Test Time Adaptation [48.039156140237615]
  目標ドメインの継続的な変更に事前訓練されたモデルを適用するために、連続的なテスト時間適応タスクを提案する。 我々はCTTA用のVisual Domain Adapter (ViDA) を設計し、ドメイン固有知識とドメイン共有知識の両方を明示的に扱う。 提案手法は,CTTAタスクの分類とセグメント化の両方において,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-06-07T11:18:53Z)
• CoDEPS: Online Continual Learning for Depth Estimation and Panoptic Segmentation [28.782231314289174]
  深層学習に基づく単眼深度推定とパノプティックセグメンテーションのための連続学習をオンラインで導入する。 そこで本研究では,パノプティカルセグメンテーションに適応する擬似ラベルを生成するための新しいドメイン混合手法を提案する。 我々は,固定サイズのリプレイバッファを構築するためのサンプリング戦略を活用することで,ロボットシステムの限られたストレージ容量に明示的に対処する。
  論文  参考訳（メタデータ） (2023-03-17T17:31:55Z)
• Domain Adapting Deep Reinforcement Learning for Real-world Speech Emotion Recognition [5.737823232271047]
  音声感情認識(SER)は、クロスコーパスおよび実世界のライブデータフィードシナリオで改善することができる。 既存のモデルを新しいドメインに適応できないことは、SERメソッドの欠点の1つです。 実世界のライブデータフィード設定に事前学習モデルを適用するための深層強化学習型戦略(RL-DA)を提案する。
  論文  参考訳（メタデータ） (2022-07-07T02:53:39Z)

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。