論文の概要: Supervision-Adaptive Curriculum and Guarded Anti-Curriculum Learning for Dense Prediction

• arxiv url: http://arxiv.org/abs/2610.29519v1
• Date: Wed, 21 Oct 2026 10:06:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.309988
• Title: Supervision-Adaptive Curriculum and Guarded Anti-Curriculum Learning for Dense Prediction
• Title（参考訳）: 重心予測のためのスーパービジョン適応型カリキュラムとガード付き反カリキュラム学習
• Abstract要約: 本稿では、教師適応型カリキュラム選択とガード付きスペクトルポストトレーニングを組み合わせた、安定・テーマ・チャレンジパラダイムであるPaceShiftを提案する。 第1フェーズでは、利用可能な監視、拡張一貫性、モデルの不一致、予測確実性から信頼性を推定する。 第2フェーズでは、監督合意、堅牢性、基準整合性、罰則を用いて、複数のスペクトルビューから予測をランク付けする。
• 参考スコア（独自算出の注目度）: 15.685846710829104
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Curriculum learning orders samples by difficulty, but difficulty alone does not establish supervision reliability for dense prediction. Easy samples can expose shortcuts, hard samples can be informative, and noisy or ambiguous samples can mislead training. Building on our conference method CurriSeg, we present PaceShift, a stabilize-then-challenge paradigm combining supervision-adaptive curriculum selection with guarded spectral post-training. A learning-dynamics view motivates separating supervision reliability from temporal update value and applying spectral challenges after stabilization. The first phase estimates reliability from available supervision, augmentation consistency, model disagreement, and prediction certainty. Temporal statistics guide sample weighting, while pixel-uncertainty weights reduce the early influence of uncertain regions. The second phase ranks predictions from multiple spectral views using supervision agreement, robustness, reference consistency, and penalties. A pairwise preference objective measured against the frozen Phase-I reference, together with an anchor, refines the prediction. The framework supports full, weak, semi-supervised, and model-derived supervision. Experiments across context-entangled content segmentation (CECS), broader dense-prediction tasks, and foundation-model and cross-modal adaptations show accuracy gains. Targeted diagnostics indicate improved pooled calibration and corruption robustness in the evaluated settings. PaceShift preserves the deployed architecture and adds no inference computation. Code will be publicly released.
• Abstract（参考訳）: カリキュラム学習命令は、難易度によってサンプリングされるが、難易度だけでは、厳密な予測のための監督の信頼性が確立されない。 簡単なサンプルはショートカットを公開することができ、硬いサンプルは情報を与えることができ、ノイズやあいまいなサンプルはトレーニングを誤解させる可能性がある。 本稿では,CurriSegをベースとして,監視適応型カリキュラム選択とスペクトルポストトレーニングのガードを併用した,安定-テーマ-カオスパラダイムPaceShiftを提案する。 学習力学ビューは、監督の信頼性を時間的更新値から分離し、安定化後のスペクトル課題を適用する。 第1フェーズでは、利用可能な監視、拡張一貫性、モデルの不一致、予測確実性から信頼性を推定する。 時間統計はサンプルの重み付けを導くが、画素不確かさは不確実な領域の早期の影響を減少させる。 第2フェーズでは、監督合意、堅牢性、基準整合性、罰則を用いて、複数のスペクトルビューから予測をランク付けする。 凍結したフェーズI参照に対して測定されたペアワイズ選好の目的は、アンカーとともに予測を洗練させる。 このフレームワークは、完全な、弱い、半教師付き、モデル由来の監視をサポートする。 コンテキスト絡みコンテンツセグメンテーション(CECS)、より広範な密集予測タスク、基礎モデルと相互適応による実験は精度の向上を示している。 ターゲット診断では, プールキャリブレーションが向上し, 劣化性も向上した。 PaceShiftはデプロイされたアーキテクチャを保持し、推論計算を追加しない。 コードは公開されます。

関連論文リスト

• Robust Evidential Learning Through Latent Consistency [3.2116198597240846]
  Evidential Deep Learningは、単一のフォワードパスで効率的な不確実性推定を提供する。 しかし、学習した表現が不十分な入力に高い明快な強さを割り当てることもできる。 CLEARはタスクに依存しない軽量なポストホック法で,ベース予測の再トレーニングや変更をすることなく,明らかなロバスト性を改善する。
  論文  参考訳（メタデータ） (2026-10-01T09:50:47Z)
• Proper Scoring Rule-based Diffusion for Probabilistic Weather Forecasting [59.015610520217734]
  我々は,コンテキストとその劣化バージョンから,同じ将来状態を予測できる補助的条件記述タスクを導入する。 推測時には、予測器は、完全に破損したエンドポイントにおいて、単一の前方通過で各アンサンブル部材を生成することができる。
  論文  参考訳（メタデータ） (2026-09-29T22:47:10Z)
• Robustifying Vision-Language Models via Test-Time Prompt Adaptation [23.05168102474528]
  サンプルレベルの推定から分布レベルのアライメントに移行するテストtImeプロンプト・タダプテーションフレームワークであるRITAを提案する。 特に、RITAは、拡張視覚特徴の分布をテキストプロトタイプと整合させ、敵対的外乱を緩和し、モーダルな意味的不一致を是正するために最適なトランスポートを使用する。
  論文  参考訳（メタデータ） (2026-07-10T14:19:42Z)
• Mitigating Error Amplification in Fast Adversarial Training [58.74042726356826]
  FAT(Fast Adversarial Training)は、ネットワークに摂動不変表現の学習を促すことによって、モデルロバスト性の向上に有効であることが証明されている。 FATは、しばしば破滅的なオーバーフィッティング(CO)に悩まされ、モデルがトレーニングアタックに過度に適合し、目に見えないものへの一般化に失敗する。 本稿では、摂動予算と監視信号の両方を動的に調整する分散対応動的ガイダンス(DDG)戦略を提案する。
  論文  参考訳（メタデータ） (2026-04-27T11:23:18Z)
• Adaptive Conformal Anomaly Detection with Time Series Foundation Models for Signal Monitoring [1.7149326108409726]
  時系列監視のためのポストホック適応型共形異常検出法を提案する。 本手法は,誤報率(p値)として直接解釈可能な,解釈可能な異常スコアを生成する。 モデルに依存しないソリューションとして、ファンデーションモデルとシームレスに統合し、リソース制約のある環境での迅速なデプロイをサポートする。
  論文  参考訳（メタデータ） (2026-04-22T02:39:46Z)
• SynCast: Synergizing Contradictions in Precipitation Nowcasting via Diffusion Sequential Preference Optimization [62.958457694151384]
  本研究では,大規模な言語モデルにおける人的フィードバックからの強化学習の成功を動機として,降水量の最適化を初めて導入する。 第一段階では、フレームワークはFARを減らすことに焦点を当て、誤報を効果的に抑えるためにモデルを訓練する。
  論文  参考訳（メタデータ） (2025-10-22T16:11:22Z)
• Selective Learning: Towards Robust Calibration with Dynamic Regularization [79.92633587914659]
  ディープラーニングにおけるミススキャリブレーションとは、予測された信頼とパフォーマンスの間には相違がある、という意味である。 トレーニング中に何を学ぶべきかを学ぶことを目的とした動的正規化(DReg)を導入し、信頼度調整のトレードオフを回避する。
  論文  参考訳（メタデータ） (2024-02-13T11:25:20Z)
• Robust Pre-Training by Adversarial Contrastive Learning [120.33706897927391]
  近年の研究では、敵の訓練と統合されると、自己監督型事前訓練が最先端の堅牢性につながることが示されている。 我々は,データ強化と対向的摂動の両面に整合した学習表現により,ロバストネスを意識した自己指導型事前学習を改善する。
  論文  参考訳（メタデータ） (2020-10-26T04:44:43Z)

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。