論文の概要: Repurposing Obsolete Representations for Post-Deployment Adaptation

• arxiv url: http://arxiv.org/abs/2610.01453v1
• Date: Thu, 01 Oct 2026 10:48:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.065011
• Title: Repurposing Obsolete Representations for Post-Deployment Adaptation
• Title（参考訳）: デプロイ後適応のためのオブソライト表現の再利用
• Abstract要約: Deep Repurposing (DR)は、タスクの陳腐化の下でモデルを適応するためのポストホックフレームワークである。 DRは、古くなった領域と維持された領域の潜在幾何学を推定し、古くなった支持成分を除去し、維持可能な証拠を再配置する。 DRは、競合するアンラーニングや編集のベースラインを正確に一致または超過し、古い予測を排除し、競合するアンラーニングメソッドよりも60倍高速に適応する。
• 参考スコア（独自算出の注目度）: 3.2116198597240846
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Deep neural networks are increasingly deployed in long-lived systems, where task requirements may change after training. In such settings, part of the original output space may become obsolete: a class, prediction region, or learned behaviour may no longer be valid. Existing approaches either leave the obsolete behaviour intact or require fine-tuning, which can be expensive. We propose Deep Repurposing (DR), a post-hoc framework for adapting models under task obsolescence. DR estimates the latent geometry of obsolete and retained regions, removes obsolete-supporting components, and reallocates retained-compatible evidence through an analytic repair map without gradient updates. This yields repaired predictions and representations in which obsolete regions no longer act as valid outputs, while useful obsolete structure can support the retained task. Across multiple task settings, DR removes obsolete behaviour while preserving retained utility. More importantly, across classification benchmarks, DR matches or exceeds competing unlearning and editing baselines in retained accuracy, eliminates obsolete predictions, and adapts up to $60\times$ faster than competing unlearning methods.
• Abstract（参考訳）: ディープニューラルネットワークは、トレーニング後にタスク要求が変更される可能性のある、長期間のシステムにますますデプロイされている。 このような設定では、元の出力空間の一部が時代遅れになり、クラス、予測領域、学習された振る舞いがもはや有効ではない可能性がある。 既存のアプローチでは、陳腐化した振る舞いをそのままにするか、微調整が必要になる。 本稿では,タスクの陳腐化下でのモデル適応のためのポストホックフレームワークであるDeep Repurposing (DR)を提案する。 DRは、古い領域と維持された領域の潜時幾何学を推定し、古いサポートされたコンポーネントを除去し、勾配を更新せずに解析的な修復マップを通じて、維持可能な証拠を再配置する。 これにより、古い領域がもはや有効なアウトプットとして機能しないような、修正された予測と表現が得られます。 複数のタスク設定にまたがって、DRは保持されたユーティリティを保持しながら、陳腐化した振る舞いを取り除く。 さらに重要なのは、分類ベンチマークを通じて、DRが競合するアンラーニングや編集ベースラインと競合するアンラーニングや編集ベースラインに一致し、陳腐化した予測を排除し、競合するアンラーニングメソッドよりも60\times$速く適応することです。

関連論文リスト

• Rubrics as Visual-Repair Context for Self-Evolving UI-to-Code Generation [147.1183324267404]
  ローカルコード編集は、レイアウト、スタイル、コンポーネントの依存関係を通じて伝搬し、以前は忠実だった領域を劣化させながら、1つの視覚的ミスマッチを修正する。 本稿では,視覚フィードバックを構造化された視覚再生コンテキストとして表現するために,ルーブリックを用いたルーブリック誘導フレームワークであるRubSEを紹介する。 RubSEは最終ラウンドおよび最高ラウンド設定での自己進化を著しく上回り、より安定した改良とより高い軌道レベルの性能天井を実現する。
  論文  参考訳（メタデータ） (2026-08-25T07:03:46Z)
• UpgradeBench: A Decision-Centric Benchmark for Upgrading Fine-Tuned LLM Specialists [10.23869027501654]
  4つの連続したQwenリリースをカバーする決定駆動型縦断ベンチマークであるUpgradeを提示する。 アップグレードは、新しいチェックポイントが、固定準備された専門家のパフォーマンスを改善するかどうか、バージョン間での資産移動、そして、リカバリリソースが使用可能なものかどうか、という3つの中核的な疑問を解消する。
  論文  参考訳（メタデータ） (2026-08-21T09:37:47Z)
• Interference and Retention in Continual Learning [0.0]
  新しいタスクの学習を忘れることは、まさに古いタスクに誘導される干渉エネルギーであることを示す。 IGFAはリプレイフリーでフィッシャーフリーな手法で、タスクが整列したときに方向を共有し、衝突時にそれらを保護する。
  論文  参考訳（メタデータ） (2026-07-10T08:48:23Z)
• SAGE: Retain-Aware Post-Hoc Sanitization of Final Unlearning Vector [32.30497427199285]
  現在のアンラーニング手法は、すべて、アンラーニングと保持の間のトレードオフを含んでいる。 また, 保持行動バイアスは, 保持に影響を及ぼす未学習手法による損傷の定量化にも有効であることがわかった。 これにより、ポストホックアプローチを用いて、未学習のメソッドの保持性能を復元できる。
  論文  参考訳（メタデータ） (2026-06-16T08:29:43Z)
• MIITA: Memory-Induced Inference-Time Adaptation for Continual Learning with Small Language Models [64.2820121997882]
  MIITAはメモリ駆動型推論時間適応フレームワークである。 教師付きエクスペリエンスをセマンティックアンカーを備えたコンパクトな修正指向プロトタイプとして格納し、セマンティックおよび不確実性ベースのキューを使用して推論時にそれらを検索する。 実験により、MIITAは最終性能を継続的に改善し、固定メモリの予算下での忘れを軽減している。
  論文  参考訳（メタデータ） (2026-05-20T03:03:04Z)
• FRESCO: Benchmarking and Optimizing Re-rankers for Evolving Semantic Conflict in Retrieval-Augmented Generation [73.22935457705057]
  時間的動的文脈における再ランカ評価のためのベンチマークであるFRESCOを紹介する。 レクエンシ検索クエリと過去のウィキペディアのリビジョンを組み合わせることで、FRESCOは、セマンティックな関連性を維持しながら、リランカが事実として最新の証拠を優先順位付けできるかどうかをテストする。 我々の評価では、既存の再ランカ間で一貫した障害モードが明らかになっている。
  論文  参考訳（メタデータ） (2026-04-14T17:04:25Z)
• Continual Learning as Shared-Manifold Continuation Under Compatible Shift [0.0]
  継続的な学習方法は、通常、パラメータの正規化、古い出力のマッチング、または以前の例の再生によって古い動作を保存する。 我々は、古いデータと新しいデータが同じ潜在的サポートに留まるべき体制に対して、より狭い幾何学的な代替手段について研究する。 本研究では, スパース再生, 出力蒸留, リレーショナル幾何保存, 局所平滑化, および古いアンカー上でのチャート割り当て正規化を組み合わせた幾何保存変種の評価を行った。
  論文  参考訳（メタデータ） (2026-03-20T15:21:19Z)
• Geometric-Disentangelment Unlearning [106.99160454669902]
  忘れたサンプルへの勾配は しばしば 保持された知識を傷つける 本稿では,GU(Geometric-disment Unlearning)を提案する。 本手法はプラグ・アンド・プレイであり,既存の勾配に基づくアンラーニング手法と併用することで副作用を軽減できる。
  論文  参考訳（メタデータ） (2025-11-21T09:58:25Z)
• Disentangled Modeling of Domain and Relevance for Adaptable Dense Retrieval [54.349418995689284]
  本稿では,Dense Retrieval (DDR) という新しいフレームワークを提案する。 REMとDAMをアンタングルにすることで、DDRはフレキシブルなトレーニングパラダイムを可能にし、REMは一度監視でトレーニングされ、DAMは教師なしのデータでトレーニングされる。 DDRは強力なDRベースラインに比べて格付け性能が大幅に向上し、ほとんどのシナリオにおいて従来の検索手法よりも大幅に向上する。
  論文  参考訳（メタデータ） (2022-08-11T11:18:50Z)
• Continual Test-Time Domain Adaptation [94.51284735268597]
  テスト時ドメイン適応は、ソースデータを使用しずに、ソース事前訓練されたモデルをターゲットドメインに適応することを目的としている。 CoTTAは実装が容易で、市販の事前訓練モデルに簡単に組み込むことができる。
  論文  参考訳（メタデータ） (2022-03-25T11:42:02Z)
• Iterative Network Pruning with Uncertainty Regularization for Lifelong Sentiment Classification [25.13885692629219]
  ディープラーニングにとって、生涯学習は簡単ではない。 本稿では,生涯的感情分類のための不確実性正則化手法を用いた新しい反復型ネットワークプルーニングを提案する。
  論文  参考訳（メタデータ） (2021-06-21T15:34:13Z)

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。