論文の概要: CILA: Confusion-based Instance-wise Logit Adjustment for Long-Tailed Recognition

• arxiv url: http://arxiv.org/abs/2610.27728v1
• Date: Tue, 20 Oct 2026 06:47:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.677756
• Title: CILA: Confusion-based Instance-wise Logit Adjustment for Long-Tailed Recognition
• Title（参考訳）: CILA:長期音声認識のためのコンフュージョンに基づくインスタンス単位のログ調整
• Abstract要約: 現実のデータセットは本質的にクラス不均衡であり、モデルが多数派を好んで、少数派と戦っている。 既存のロジット調整手法は、クラス調整に基づいてロジットを変更することでこの問題に対処するが、クラスワイズではインスタンスの混乱を無視する。 textbfConfusion-based Instance-wise Logit Adjustment (CILA) と textbfBatch-adaptation Noise-Injection (BNI) の2つの補完手法を提案する。
• 参考スコア（独自算出の注目度）: 18.594036119086933
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Real-world datasets are inherently class-imbalanced, leading models to favor majority classes and struggle with minority ones. Existing logit adjustment methods address this by modifying logits based on class frequencies, but their class-wise adjustments ignore instance-wise confusion and often suppress informative signals from confusing non-target classes. This results in insufficient learning of such classes, increased prediction uncertainty, and limited generalization. To address this, we propose two complementary methods. First, \textbf{Confusion-based Instance-wise Logit Adjustment (CILA)} adaptively adjusts logits based on instance-wise confusion between the target and non-target classes, restoring informative gradients that class-wise adjustment suppresses. Second, \textbf{Batch-adaptation Noise-Injection (BNI)} perturbs the target logit during training, extending the confusion-aware update to correctly classified but near-boundary samples that the penalty alone cannot reach. CILA is a loss-agnostic plug-in module that can be seamlessly integrated into existing long-tailed learning methods, and consistently improves performance across multiple benchmarks. Our code will be available at https://github.com/maya0395/CILA.
• Abstract（参考訳）: 現実のデータセットは本質的にクラス不均衡であり、モデルが多数派を好んで、少数派と戦っている。 既存のロジット調整手法では、クラス周波数に基づいてロジットを変更することでこの問題に対処するが、クラスワイズ調整ではインスタンスの混乱を無視し、非ターゲットクラスの混乱から情報伝達信号を抑圧することが多い。 この結果、そのようなクラスの学習が不十分になり、予測の不確実性が増大し、一般化が制限される。 そこで本研究では,2つの補完手法を提案する。 まず、ターゲットクラスと非ターゲットクラスのインスタンスワイドな混乱に基づいてロジットを適応的に調整し、クラスワイドな調整が抑制される情報的勾配を復元する。 次に、 textbf{Batch-adaptation Noise-Injection (BNI) は、トレーニング中にターゲットロジットを摂動させ、混乱を認識した更新を正しく分類されるが、ペナルティのみが到達できないほぼ境界に近いサンプルに拡張する。 CILAはロス非依存のプラグインモジュールで、既存の長期学習メソッドにシームレスに統合することができ、複数のベンチマークのパフォーマンスを一貫して改善する。 私たちのコードはhttps://github.com/maya0395/CILAで公開されます。

関連論文リスト

• Towards Realistic Class-Incremental Learning with Free-Flow Increments [17.558920457942936]
  本稿では,自由フロー到着時のCIL学習のためのモデルに依存しないフレームワークを提案する。 これは、サンプル周波数重み付き損失を一様に集約されたクラス条件監督に置き換えるクラスワイド平均(CWM)の目的を含む。 FFCIL下での各種CIL基線における明らかな性能劣化を実験により確認した。
  論文  参考訳（メタデータ） (2026-04-03T06:19:58Z)
• CLIMB-3D: Continual Learning for Imbalanced 3D Instance Segmentation [67.36817440834251]
  我々はtextbfCLass-incremental textbfIm Balance-aware textbf3DIS の統一フレームワークを提案する。 提案手法は, 先行研究を最大16.76%まで上回り, セマンティックセマンティックセマンティックセマンティクスでは約30%のmIoUを達成している。
  論文  参考訳（メタデータ） (2025-02-24T18:58:58Z)
• CALA: A Class-Aware Logit Adapter for Few-Shot Class-Incremental Learning [9.963958892953876]
  疑似増分学習パラダイムを用いてバイアス予測の正当性を学習する軽量なアダプタを提案する。 提案手法は,疑似増分学習パラダイムを用いてバイアス予測の正当性を学習する軽量アダプタを含む。
  論文  参考訳（メタデータ） (2024-12-17T08:21:46Z)
• Covariance-based Space Regularization for Few-shot Class Incremental Learning [25.435192867105552]
  FSCIL(Few-shot Class Incremental Learning)では,ラベル付きデータに制限のあるクラスを継続的に学習する必要がある。 インクリメンタルセッションにおける限られたデータのため、モデルは新しいクラスを過度に適合させ、ベースクラスの破滅的な忘れを苦しむ傾向にある。 最近の進歩は、基本クラス分布を制約し、新しいクラスの識別的表現を学習するプロトタイプベースのアプローチに頼っている。
  論文  参考訳（メタデータ） (2024-11-02T08:03:04Z)
• Rethinking Classifier Re-Training in Long-Tailed Recognition: A Simple Logits Retargeting Approach [102.0769560460338]
  我々は,クラスごとのサンプル数に関する事前知識を必要とせず,シンプルなロジットアプローチ(LORT)を開発した。 提案手法は,CIFAR100-LT, ImageNet-LT, iNaturalist 2018など,様々な不均衡データセットの最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-03-01T03:27:08Z)
• Exploring Vacant Classes in Label-Skewed Federated Learning [113.65301899666645]
  本稿では,ラベルスキュード・フェデレーション学習の新しいアプローチであるFedVLSを紹介する。 空のクラス蒸留とロジット抑制を同時に統合する。 FedVLSの有効性を検証する実験は、従来のSOTA(State-of-the-art)法と比較して優れた性能を示す。
  論文  参考訳（メタデータ） (2024-01-04T16:06:31Z)
• Intra-class Adaptive Augmentation with Neighbor Correction for Deep Metric Learning [99.14132861655223]
  深層学習のためのクラス内適応拡張(IAA)フレームワークを提案する。 クラスごとのクラス内変動を合理的に推定し, 適応型合成試料を生成し, 硬質試料の採掘を支援する。 本手法は,検索性能の最先端手法を3%～6%向上させる。
  論文  参考訳（メタデータ） (2022-11-29T14:52:38Z)
• 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)
• Improving Calibration for Long-Tailed Recognition [68.32848696795519]
  このようなシナリオにおけるキャリブレーションとパフォーマンスを改善する2つの方法を提案します。 異なるサンプルによるデータセットバイアスに対して,シフトバッチ正規化を提案する。 提案手法は,複数の長尾認識ベンチマークデータセットに新しいレコードをセットする。
  論文  参考訳（メタデータ） (2021-04-01T13:55:21Z)

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。