論文の概要: Hyperbolic Prototype Routing for Rehearsal-Free Class-Incremental Learning
- arxiv url: http://arxiv.org/abs/2609.39550v1
- Date: Wed, 30 Sep 2026 11:50:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-01 18:57:27.631175
- Title: Hyperbolic Prototype Routing for Rehearsal-Free Class-Incremental Learning
- Title（参考訳）: リハーサルなしクラスインクリメンタル学習のための双曲型プロトタイプルーティング
- Abstract要約: CIL(Class-Incremental Learning)は,事前知識を維持しつつ,新しいクラスを継続的に学習することを目的としている。
連続学習のためのリハーサルのないフレームワークであるHyperbolic Prototype Routing (HyPro)を提案する。
- 参考スコア（独自算出の注目度）: 13.275345723942477
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Class-Incremental Learning (CIL) aims to continually learn new classes while preserving prior knowledge. Parameter-efficient fine-tuning with pre-trained models enables CIL with minimal parameter updates, but existing approaches still suffer from catastrophic forgetting caused by cumulative interference and suboptimal module-sample matching at inference. We propose Hyperbolic Prototype Routing (HyPro), a rehearsal-free framework for continual learning. HyPro allocates a dedicated LoRA-Expert module to each incremental task for isolated representation learning, then projects routing features onto a Poincare ball and performs geodesic nearest-prototype matching for reliable task-level discrimination. Extensive experiments on standard CIL and Few-Shot CIL benchmarks show that HyPro consistently improves average and final-stage accuracy over strong baselines.
- Abstract（参考訳）: CIL(Class-Incremental Learning)は,事前知識を維持しつつ,新しいクラスを継続的に学習することを目的としている。
事前訓練されたモデルによるパラメータ効率の良い微調整により、最小限のパラメータ更新が可能となるが、既存のアプローチでは、累積的干渉と推定時の準最適モジュールサンプルマッチングによる破滅的な忘れ込みに悩まされている。
連続学習のためのリハーサルのないフレームワークであるHyperbolic Prototype Routing (HyPro)を提案する。
HyProは、独立した表現学習のために各インクリメンタルタスクに専用のLoRA-Expertモジュールを割り当て、その後、Poincareボールに機能をルーティングし、信頼性の高いタスクレベルの識別のためにジオデシックなNest-prototypeマッチングを実行する。
標準CILとFew-Shot CILベンチマークの大規模な実験は、HyProが強いベースラインよりも平均および最終段階の精度を一貫して改善していることを示している。
関連論文リスト
- Dynamic LoRA-Experts and Prototype-Ensemble Matching for Class-Incremental Learning [10.233813913359736]
動的LoRA-Expertsとプロトタイプ・アンサンブルマッチングフレームワークを提案する。
DLEPEMはタスク固有のLoRA-Expertを各インクリメンタルタスクに割り当て、タスク間の干渉を減らす。
標準CILとFew-Shot CILベンチマークの実験は、評価されたプロトコルの下で強い性能を示す。
論文 参考訳（メタデータ） (2026-09-30T14:34:54Z) - Miles: Metric Learning with Expandable Subspace for Pre-Trained Model-Based Class-Incremental Learning [57.237835833636154]
本稿では,事前学習された知識の事前情報を活用するために,拡張可能なサブスペース(マイル)を用いたMetrIc Learningを提案する。
Milesは様々なCIL設定で最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-07-20T06:22:02Z) - Unlocking Prototype Potential: An Efficient Tuning Framework for Few-Shot Class-Incremental Learning [69.28860905525057]
FSCIL(Few-shot class-incremental Learning)は、非常に限られたサンプルから新しいクラスを継続的に学習することを目的としている。
本稿では,静的セントロイドを動的に学習可能なコンポーネントに進化させる,効率的なファインチューニングフレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-05T03:50:53Z) - Task Consistent Prototype Learning for Incremental Few-shot Semantic Segmentation [20.49085411104439]
Incrmental Few-Shot Semantic (iFSS)は、新しいクラスにおけるセグメンテーション能力を継続的に拡張するモデルを必要とするタスクに取り組む。
本研究では,メタラーニングに基づくプロトタイプ手法を導入し,モデルに事前知識を保ちながら,迅速な適応方法の学習を促す。
PASCALとCOCOベンチマークに基づいて構築されたiFSSデータセットの実験は、提案手法の高度な性能を示している。
論文 参考訳（メタデータ） (2024-10-16T23:42:27Z) - Towards Continual Learning Desiderata via HSIC-Bottleneck
Orthogonalization and Equiangular Embedding [55.107555305760954]
本稿では,レイヤワイドパラメータのオーバーライトや決定境界の歪みに起因する,概念的にシンプルで効果的な手法を提案する。
提案手法は,ゼロの指数バッファと1.02倍の差が絶対的に優れていても,競争精度が向上する。
論文 参考訳（メタデータ） (2024-01-17T09:01:29Z) - RanPAC: Random Projections and Pre-trained Models for Continual Learning [59.07316955610658]
継続学習(CL)は、古いタスクを忘れずに、非定常データストリームで異なるタスク(分類など)を学習することを目的としている。
本稿では,事前学習モデルを用いたCLの簡潔かつ効果的なアプローチを提案する。
論文 参考訳（メタデータ） (2023-07-05T12:49:02Z)
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。