論文の概要: APRIL: Ambiguity-Aware Expert Routing for Respiratory Sound Domain-Incremental Learning

• arxiv url: http://arxiv.org/abs/2610.27942v1
• Date: Tue, 20 Oct 2026 09:49:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.754202
• Title: APRIL: Ambiguity-Aware Expert Routing for Respiratory Sound Domain-Incremental Learning
• Title（参考訳）: APRIL: 呼吸音領域学習のためのあいまいさを意識したエキスパートルーティング
• Abstract要約: APRILは、呼吸音分類のための非定型的なドメインインクリメンタルフレームワークである。 低ランクの専門家を継承して分離し、以前のモデルを変更することなく新しいドメイン適応を可能にする。 連続学習アプローチの中では、連続的にファイナルセッション平均のScoreを達成している。
• 参考スコア（独自算出の注目度）: 20.603155109306744
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated respiratory sound classification enables continuous, non-invasive respiratory assessment, yet long-term deployment remains challenging due to domain shifts from evolving recording devices and acquisition periods. When privacy and governance regulations prohibit replaying historical data, sequential learning easily overwrites previously acquired knowledge. Preserving dedicated domain experts prevents parameter interference, but selecting the correct expert at inference is difficult under overlapping acoustic distributions and absent domain labels. To resolve this dilemma, we propose APRIL, an exemplar-free domain-incremental framework for RSC. Built on a shared frozen BEATs backbone, APRIL sequentially inherits and isolates low-rank experts to enable new-domain adaptation without altering earlier models. A multi-level prototype router retrieves the top-two candidate experts and dynamically selects the final model by integrating domain-routing posteriors with classification confidence, adaptively weighted by matching ambiguity. We establish standardized device- and temporal-incremental benchmarks on the ICBHI and SPRSound datasets across forward and reversed domain orders. Evaluated over five random seeds, APRIL consistently achieves the highest final-session average Score among compared continual learning approaches, reaching 64.4% and 65.4% on ICBHI, and 83.1% and 82.2% on SPRSound under forward and reversed sequences, respectively. Crucially, average forgetting remains under 1.0% across all protocols, demonstrating robust domain adaptation and long-term knowledge retention without data replay. Overall, APRIL offers a reliable and privacy-preserving paradigm for deploying continuous respiratory sound classification across real-world healthcare settings.
• Abstract（参考訳）: 自動呼吸音分類は、持続的かつ非侵襲的な呼吸評価を可能にするが、進化する記録装置や取得期間からのドメインシフトのため、長期展開は困難である。 プライバシーとガバナンスの規則が歴史的データの再生を禁止している場合、シーケンシャルラーニングは、以前取得した知識を簡単に上書きする。 専用のドメインエキスパートを保存することはパラメータ干渉を防ぐが、音響分布と欠落したドメインラベルが重なり合う場合、推論時に正しい専門家を選択することは困難である。 本稿では,このジレンマを解決するために,RCCのドメインインクリメンタルフレームワークであるAPRILを提案する。 共有冷凍BEATのバックボーン上に構築されたAPRILは、初期のモデルを変更することなく、新しいドメイン適応を可能にするために、シーケンシャルに低ランクの専門家を継承し、分離する。 マルチレベルプロトタイプルータは、上位2人の候補専門家を検索し、整合あいさによって適応的に重み付けされる分類信頼とドメインルーティング後部を統合することにより、最終モデルを動的に選択する。 ICBHI と SPRSound のデータセットを前向きおよび逆向きのドメイン順序で標準化したデバイスおよび時間的インクリメンタルベンチマークを構築した。 APRILは5つのランダムな種に対して評価され、連続学習法では64.4%と65.4%に、SPRSoundでは83.1%と82.2%に到達した。 重要なことは、すべてのプロトコルで平均的な忘れは1.0%以下であり、堅牢なドメイン適応と長期の知識保持をデータ再生なしで証明している。 全体として、APRILは、現実の医療環境にまたがる継続的呼吸音の分類をデプロイするための信頼性とプライバシ保護のパラダイムを提供する。

関連論文リスト

• Parameter isolation with domain-specific experts for incremental audio classification [4.541172620857825]
  本稿では,過去のドメインを全て保持する新しいドメイン固有パラメータアイソレーションアーキテクチャを提案する。 我々は、データフリーな生成リプレイを組み込んで、以前のドメインデータとクロスドメイン機能の生成を再構築し、後のドメインから欠落した専門家機能を復元する。 我々は,チャレンジベースラインにおいて,それぞれ78.4%,78.9%のマイクロアキュラティ,マクロアキュラティを実現し,33ポイント,25ポイントの増加を示した。
  論文  参考訳（メタデータ） (2026-09-13T18:47:01Z)
• Domain-Incremental Learning for Multi-Channel Replay Speech Detection [0.0]
  本稿では,マルチチャンネル再生音声検出のための最初の連続学習ベンチマークを提案する。 我々は,ReMASCコーパスの24個の環境順序を5つの種で評価した。 シーケンスの最後の環境が最終性能を支配していることを示す。
  論文  参考訳（メタデータ） (2026-09-10T08:03:02Z)
• One Step, One Lead: Mitigating Higher-Order Interference in Multi-Domain Reinforcement Learning via Cross-Step Control [62.82372407840088]
  同点領域勾配は、連続的な更新が出力空間で部分的に逆転する場合においても、ほぼ一定であることを示す。 トークンレベルのリバウンドリスクをランク付けするために,各イテレーションでフォーカスドメインを指定するOSOLを提案する。 OSOLは0.4822のドメイン-マクロ平均に達し、最強の比較ベースラインよりも5.7%向上した。
  論文  参考訳（メタデータ） (2026-09-06T08:32:59Z)
• Multimodal Domain Generalization for Depression Detection: An Attention-Based BiLSTM Network with Domain-Adversarial Training [4.970364068620607]
  ドメイン一般化(DG)を取り入れた最初の患者非依存型マルチモーダルうつ病検出フレームワークを提案する。 提案モデルでは、双方向長短期記憶(BiLSTM)と、意思決定のためのセグメントレベル融合を伴うモーダル内およびクロスモーダルアテンション機構を統合する。 このベースラインへのDGの追加は精度が2.5%増加し、F1スコアは3.3%増加し、93.2%の精度、93.2%の精度、96.2%のリコール、94.2%のF1スコアを達成した。
  論文  参考訳（メタデータ） (2026-07-24T13:52:27Z)
• Orthogonal Knowledge Refreshing for Domain-Incremental Object Detection [37.885906679929796]
  ドメイン・インクリメンタルなオブジェクト検出は、事前の知識を保持しながら、新しいドメインに継続的に適応するモデルを必要とする。 直交知識リフレッシュ(OKR, Orthogonal Knowledge Refreshing)は,DIODの簡易かつ効果的なフレームワークである。 OKRは独立したドメイン固有の部分空間を、各ドメインに対して専用のローランクブランチを通じて徐々に構成する。
  論文  参考訳（メタデータ） (2026-07-19T17:02:15Z)
• Back to Source: Open-Set Continual Test-Time Adaptation via Domain Compensation [18.70132691409063]
  Test-Time Adaptationは、推論時間におけるトレーニングとテストドメイン間の分散シフトを軽減することを目的としている。 ドメインとセマンティックシフトの結合は、しばしば特徴空間を崩壊させ、分類とアウト・オブ・ディストリビューションの検出の両方を著しく劣化させる。 ドメイン適応とOOD検出を相乗的で閉ループで堅牢に行う軽量かつ効果的なフレームワークであるDOCOを提案する。
  論文  参考訳（メタデータ） (2026-04-23T15:29:29Z)
• Retrieval-Augmented Generation for Reliable Interpretation of Radio Regulations [49.671779378073886]
  無線規制分野における質問応答について検討する。 本稿では,通信事業者固有のレトリーバル拡張生成(RAG)パイプラインを提案する。 当社のアプローチは,テスト対象モデル全体の生成精度を一貫して向上させる。
  論文  参考訳（メタデータ） (2025-09-11T17:43:42Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• Delving into Probabilistic Uncertainty for Unsupervised Domain Adaptive Person Re-Identification [54.174146346387204]
  ドメイン適応型人物再識別のための確率的不確実性誘導プログレッシブラベル精錬(P$2$LR)という手法を提案する。 擬似ラベルの不確実性を測定し、ネットワークトレーニングを容易にする定量的基準を確立する。 本手法はDuke2Marketタスクではベースラインが6.5%,Market2MSMTタスクでは2.5%,最先端手法では2.5%を上回った。
  論文  参考訳（メタデータ） (2021-12-28T07:40:12Z)
• Post-Contextual-Bandit Inference [57.88785630755165]
  コンテキストバンディットアルゴリズムは、電子商取引、医療、政策立案における非適応的なA/Bテストを置き換える傾向にある。 研究参加者の成果を改善することもでき、良い方針や最良の政策を特定できる可能性を高めることもできる。 研究の終盤における新規介入の信頼性推論を支援するため, 平均治療効果, サブグループ効果, あるいは新政策の価値について, 有効な信頼区間を構築したい。
  論文  参考訳（メタデータ） (2021-06-01T12:01:51Z)
• Unsupervised Domain Adaptation for Speech Recognition via Uncertainty Driven Self-Training [55.824641135682725]
  WSJ をソースドメインとし,TED-Lium 3 とSWITCHBOARD を併用したドメイン適応実験を行った。
  論文  参考訳（メタデータ） (2020-11-26T18:51:26Z)

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。