論文の概要: What Must Replay Preserve? Separating Correctable Bias from Class Correspondence

• arxiv url: http://arxiv.org/abs/2610.07077v1
• Date: Mon, 05 Oct 2026 10:03:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.542907
• Title: What Must Replay Preserve? Separating Correctable Bias from Class Correspondence
• Title（参考訳）: リプレイ保存とは何か? クラス対応から修正可能なバイアスを分離する
• Abstract要約: クラス増分学習はタスクラベルなしで今まで見てきたすべてのクラスを認識する必要がある。 キャッシュされた予測を時間的に不均一な監視として扱う診断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）: 8.494059112666726
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Class-incremental learning must recognize all classes seen so far without task labels. Logit replay methods such as DER and DER++ mitigate forgetting by matching the model's past predictions on stored examples. Deleting this matching reveals its benefit, but the resulting accuracy cost cannot show whether the stored scores themselves are needed, or whether the cost survives correction of the classifier's bias toward recent classes. We propose a diagnostic framework that treats a cached prediction as temporally heterogeneous supervision: it separates classes known when an example was stored from classes learned afterward, edits each group, and evaluates every model before and after a task-level offset that leaves within-task predictions unchanged. On CIFAR-100 with DER++, suitable fixed constants replace the unrefreshed stored scores of later-learned classes within an equivalence margin of 1 percentage point, and the offset reduces the cost of deleting their matching from 14.9 to 1.8 points. Reassigning the non-gold scores of classes known at storage, which preserves their values and each task's target probability, costs 4.3 points before and 4.0 after the offset, and a parallel cost persists in image distillation. In the tested fixed-head setting, the large cost of deleting later-class matching is thus mostly correctable by this offset, whereas the smaller cost of disrupting class correspondence persists. Code and data are available at anonymous.4open.science/r/replay-preserve-E22B.
• Abstract（参考訳）: クラス増分学習はタスクラベルなしで今まで見てきたすべてのクラスを認識する必要がある。 DERやDER++のようなロジット再生メソッドは、モデルが過去の予測を格納された例にマッチさせることで、忘れを軽減します。 このマッチングを削除することで、そのメリットが明らかになるが、結果として得られる精度のコストは、格納されたスコア自体が必要かどうか、また、コストが最近のクラスに対する分類器のバイアスの補正を継続するかどうかを示すことはできない。 キャッシュされた予測を時間的に不均一な監視として扱う診断フレームワークを提案する。このフレームワークは、後から学習したクラスからサンプルが格納された時に既知のクラスを分離し、各グループを編集し、タスクレベルのオフセットの前後で、タスク内予測をそのまま残したモデルを評価する。 CIFAR-100 と DER++ では、適切な固定定数が、1 パーセンテージの等価なマージン内で、未更新のクラスを1 パーセンテージで置き換え、オフセットはマッチングを 14.9 から 1.8 ポイントに削除するコストを削減している。 値と各タスクの目標確率を保存し、オフセット後の4.3ポイントと4.0のコストを、ストレージで知られているクラスの非ゴールドスコアを再割り当てし、画像蒸留において並列コストが持続する。 テストされた固定ヘッド設定では、後続のマッチングを削除するための大きなコストは、このオフセットによって主に修正可能であるが、クラス対応を中断するより小さなコストは持続する。 コードとデータは匿名の.4open.science/r/replay-preserve-E22Bで入手できる。

関連論文リスト

• The Undetected Damage of Quantization on Retrieval and How to Fix It [51.02977749156532]
  分類精度を保った量子モデルでは,トップ1検索結果の14ドルから46%の値がまだ変化していることを示す。 この失敗を2つの上位モデルスコア間のギャップに結び付け、そのギャップを使用して、定量化された回答をいつ信頼するかを決めます。 この差が最大の丸め誤差の2倍を超える場合にのみ、トップ1結果が量子化を継続することが保証されていることを示す。
  論文  参考訳（メタデータ） (2026-09-21T09:26:35Z)
• Source-Free Class Relearning: Diagnosing Forgetting in Class Unlearning [22.455121713091245]
  クラスアンラーニングは、モデルが保持クラスのパフォーマンスを維持しながら指定された忘れクラスを認識する能力を削除することを目的としている。 本研究では,厳密なソースフリー環境での授業再学習について検討し,未学習のモデルのみを用いて,忘れたクラスを復元できるかどうかを問う。
  論文  参考訳（メタデータ） (2026-09-02T02:45:56Z)
• Beyond Logit Adjustment: A Residual Decomposition Framework for Long-Tailed Reranking [3.165340675929986]
  縮小安定化されたクラスワイド項と、ショートリスト上の競合機能によって駆動される線形ペアワイド項を結合した軽量なポストホックリランカを開発する。 画像分類、種別認識、シーン認識、希少な疾患の診断を含む5つのベンチマークの実験では、分解によってペアワイズ補正がどこに役立ち、クラスワイズ補正だけで十分かを説明できる。
  論文  参考訳（メタデータ） (2026-04-02T00:34:12Z)
• Delete and Retain: Efficient Unlearning for Document Classification [1.0026496861838448]
  Hessian Reassignmentは、文書分類におけるクラスアンラーニングのための2段階のモデルに依存しないソリューションである。 標準のテキストベンチマークでは、Hessian Reassignmentはクラスの精度をフルアズアウトクラスに近く保ちながら、桁違いに高速に実行した。 その結果、文書分類における効率的なクラスアンラーニングへの実践的で原則化された道筋が示される。
  論文  参考訳（メタデータ） (2025-12-06T18:57:06Z)
• Deep Unlearning: Fast and Efficient Gradient-free Approach to Class Forgetting [9.91998873101083]
  学習モデルから特定のクラスを戦略的に除去する新しいクラスアンラーニングアルゴリズムを提案する。 我々のアルゴリズムは、メンバーシップ推論攻撃(MIA)に対する競争的アンラーニング性能とレジリエンスを示す。
  論文  参考訳（メタデータ） (2023-12-01T18:29:08Z)
• Deep Imbalanced Regression via Hierarchical Classification Adjustment [50.19438850112964]
  コンピュータビジョンにおける回帰タスクは、しばしば、対象空間をクラスに定量化することで分類される。 トレーニングサンプルの大多数は目標値の先頭にあるが、少数のサンプルは通常より広い尾幅に分布する。 不均衡回帰タスクを解くために階層型分類器を構築することを提案する。 不均衡回帰のための新しい階層型分類調整(HCA)は,3つのタスクにおいて優れた結果を示す。
  論文  参考訳（メタデータ） (2023-10-26T04:54:39Z)
• Mitigating Word Bias in Zero-shot Prompt-based Classifiers [55.60306377044225]
  一致したクラス先行は、オラクルの上界性能と強く相関していることを示す。 また,NLPタスクに対するプロンプト設定において,一貫したパフォーマンス向上を示す。
  論文  参考訳（メタデータ） (2023-09-10T10:57:41Z)
• Queried Unlabeled Data Improves and Robustifies Class-Incremental Learning [133.39254981496146]
  クラス増分学習(Class-incremental Learning, CIL)は、新たに追加されたクラスを学習することと、以前に学習したクラス知識を保存することの間の悪名高いジレンマに悩まされる。 我々は、連続学習において「自由」な外部ラベル付きデータクエリを活用することを提案する。 CIL-QUDを堅牢化したバージョンにシームレスに拡張する。
  論文  参考訳（メタデータ） (2022-06-15T22:53:23Z)
• Online Selective Classification with Limited Feedback [82.68009460301585]
  オンライン学習モデルにおいて、予測者がインスタンスの分類を控える可能性のある選択的分類について検討する。 私たちが考慮している設定の健全な2つの側面は、データが不可避である可能性があるため、データは不可避である可能性があるということです。 smash$tildeO(T1-mu)$ over abstention against Adaptive adversaries. smash$tildeO(T1-mu)$ incurring smash$tildeO(T1-mu)$ over abstention。
  論文  参考訳（メタデータ） (2021-10-27T08:00:53Z)
• Prototypical Classifier for Robust Class-Imbalanced Learning [64.96088324684683]
  埋め込みネットワークに付加的なパラメータを必要としないtextitPrototypealを提案する。 プロトタイプは、訓練セットがクラス不均衡であるにもかかわらず、すべてのクラスに対してバランスと同等の予測を生成する。 我々は, CIFAR-10LT, CIFAR-100LT, Webvision のデータセットを用いて, プロトタイプが芸術の状況と比較した場合, サブスタンスの改善が得られることを検証した。
  論文  参考訳（メタデータ） (2021-10-22T01:55:01Z)

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。