論文の概要: Learning to Curate What You Generate for Generalizable Few-Shot Class-Incremental Learning

• arxiv url: http://arxiv.org/abs/2610.07008v1
• Date: Sun, 04 Oct 2026 13:15:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.5031
• Title: Learning to Curate What You Generate for Generalizable Few-Shot Class-Incremental Learning
• Title（参考訳）: 一般化可能なFew-Shotクラスインクリメンタルラーニングのための学習
• Abstract要約: FSCIL(Few-shot class-incremental Learning)は,事前知識を保ちながら限られたアノテーションから新しいクラスを学習することを目的としている。 一般化可能なFSCIL(G-FSCIL)という,未探索かつ現実的な設定について検討する。 本稿では,安定なG-FSCILのための信頼性の高い合成知識をキュレートするフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 44.53836850280184
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Few-shot class-incremental learning (FSCIL) aims to learn novel classes from limited annotations while preserving prior knowledge. Existing methods typically assume a sufficiently large base session, but this assumption fails when both base and incremental data are scarce, leading to weak initial representations, semantic drift, and unstable boundaries. We study this underexplored yet realistic setting, termed Generalizable FSCIL (G-FSCIL), where the base session itself contains only a few classes. Although synthetic data can alleviate supervision scarcity, naively mixing generated samples often introduces semantic noise and exacerbates old-new boundary conflicts. To address this, we propose a framework that curates trustworthy synthetic knowledge for stable G-FSCIL. Specifically, we first construct class-specific synthetic candidate pools using a frozen latent diffusion model, where class inversion is performed at the first observation and the resulting condition embeddings are reused for on-demand generation. Building on these candidates, we learn a knowledge curation strategy that selects samples with both semantic consistency and visual diversity, and distill this process into a transferable selection policy during the base session, which is then reused without further optimization. Leveraging the curated synthetic data, we further design a boundary-stable incremental adaptation scheme, including synthetic-informed prototype initialization and bidirectional boundary calibration to mitigate old-new conflicts. Extensive experiments demonstrate that our method consistently outperforms existing FSCIL baselines, with reduced forgetting and improved balance between old and new classes. Code is available at https://github.com/NiHaoWoJiaoYYC/G-FSCIL.
• Abstract（参考訳）: FSCIL(Few-shot class-incremental Learning)は,事前知識を保ちながら限られたアノテーションから新しいクラスを学習することを目的としている。 既存のメソッドは通常、十分に大きなベースセッションを仮定するが、この仮定は、ベースデータとインクリメンタルデータの両方が不足している場合に失敗し、初期表現の弱さ、セマンティックドリフト、不安定なバウンダリにつながる。 基礎セッション自体が少数のクラスしか含まないGeneralizable FSCIL (G-FSCIL) と呼ばれる、未調査だが現実的な設定について検討する。 合成データは監視の欠如を緩和するが、生成したサンプルを選択的に混合すると意味的なノイズが生じ、新しい境界紛争が悪化する。 そこで本研究では,安定なG-FSCILのための信頼に値する合成知識をキュレートするフレームワークを提案する。 具体的には, 凍結遅延拡散モデルを用いて, クラス固有の合成候補プールを構築し, クラス反転を第1観測時に行い, 結果の条件埋め込みをオンデマンド生成に再利用する。 これらの候補に基づいて、セマンティック一貫性と視覚的多様性の両方でサンプルを選択する知識キュレーション戦略を学び、このプロセスをベースセッション中に転送可能な選択ポリシーに抽出し、さらに最適化することなく再利用する。 得られた合成データを活用することで、合成インフォームドプロトタイプの初期化と双方向境界校正を含む境界安定なインクリメンタル適応スキームを設計し、旧来の矛盾を緩和する。 大規模な実験により,本手法は既存のFSCILベースラインを一貫して上回り,古いクラスと新しいクラスのバランスを改善した。 コードはhttps://github.com/NiHaoWoJiaoYYC/G-FSCILで入手できる。

関連論文リスト

• Adapter-Based Few-Shot Continual Learning for Malicious Packet Recognition [0.0]
  マルウェア検出システムは、ゼロから再トレーニングすることなく、新しい脅威に適応する必要がある。 マルウェア分類のためのFSCIL(Few-Shot Class-Incremental Learning)設定は、いまだに未検討である。 本稿では,マルウェアパケットに対するドメイン固有の事前トレーニングを通じて,自己監視学習(SSL)のバックボーンを活用するハイブリッドフレームワークを提案する。 提案手法では,Low-Rank Adaptation (LoRA) をベースセッション中に効率よくモデルに適応し,コアバックボーンを凍結して以前に学習した表現を保存する。
  論文  参考訳（メタデータ） (2026-08-24T17:41:15Z)
• 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)
• Ambiguity-Guided Learnable Distribution Calibration for Semi-Supervised Few-Shot Class-Incremental Learning [15.869958236996029]
  FSCIL(Few-Shot Class-Incremental Learning)は、制限されたデータから新しい概念を学習し、それ以前のクラスの知識を維持したモデルに焦点を当てる。 近年、ラベルのないサンプルを活用して、少数のサンプルから学習するモデルを支援する研究が盛んに行われている。 本稿では,Ambiguity-Guided Learnable Distribution (ALDC) 戦略を提案する。
  論文  参考訳（メタデータ） (2025-07-31T04:29:49Z)
• Does Prior Data Matter? Exploring Joint Training in the Context of Few-Shot Class-Incremental Learning [9.682677147166391]
  CIL(Class-incremental Learning)は,学習前の知識を維持しつつ,新たなクラスに継続的に適応することを目的としている。 FSCIL(Few-shot class-incremental Learning)は、クラス毎に限られたサンプル数から新しいクラスを学習するモデルを必要とする、より大きな課題を示す。
  論文  参考訳（メタデータ） (2025-03-13T03:25:29Z)
• Prior-free Balanced Replay: Uncertainty-guided Reservoir Sampling for Long-Tailed Continual Learning [8.191971407001034]
  長い尾を持つデータストリームから、忘れることなく学習するための、新しいPBRフレームワークを提案する。 我々は、忘れる問題をさらに軽減するために、2つの事前自由なコンポーネントを組み込んだ。 提案手法は3つの標準長尾ベンチマークで評価される。
  論文  参考訳（メタデータ） (2024-08-27T11:38:01Z)
• Few-Shot Class-Incremental Learning with Prior Knowledge [94.95569068211195]
  本稿では,事前学習モデルの一般化能力を高めるために,先行知識を用いた学習(LwPK)を提案する。 実験結果から,LwPKは破滅的忘れ込みに対するモデルレジリエンスを効果的に向上させることが示された。
  論文  参考訳（メタデータ） (2024-02-02T08:05:35Z)
• Large-scale Pre-trained Models are Surprisingly Strong in Incremental Novel Class Discovery [76.63807209414789]
  我々は,クラスiNCDにおける現状問題に挑戦し,クラス発見を継続的に,真に教師なしで行う学習パラダイムを提案する。 凍結したPTMバックボーンと学習可能な線形分類器から構成される単純なベースラインを提案する。
  論文  参考訳（メタデータ） (2023-03-28T13:47:16Z)
• Mitigating Forgetting in Online Continual Learning via Contrasting Semantically Distinct Augmentations [22.289830907729705]
  オンライン連続学習(OCL)は、非定常データストリームからモデル学習を可能とし、新たな知識を継続的に獲得し、学習した知識を維持することを目的としている。 主な課題は、"破滅的な忘れる"問題、すなわち、新しい知識を学習しながら学習した知識を十分に記憶できないことにある。
  論文  参考訳（メタデータ） (2022-11-10T05:29:43Z)
• GSMFlow: Generation Shifts Mitigating Flow for Generalized Zero-Shot Learning [55.79997930181418]
  Generalized Zero-Shot Learningは、目に見えないクラスから見えないクラスに意味的な知識を移すことで、目に見えないクラスと見えないクラスの両方から画像を認識することを目的としている。 生成モデルの利点を生かして、見学したクラスから学んだ知識に基づいて、現実的な見知らぬサンプルを幻覚させることは、有望な解決策である。 本研究では,複数の条件付きアフィン結合層からなるフローベース生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-05T04:04:37Z)

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。