論文の概要: Semantic Concept Steering Breaks the Explanation Drift Loop in Continual Learning

• arxiv url: http://arxiv.org/abs/2610.33877v1
• Date: Sat, 24 Oct 2026 19:37:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.475054
• Title: Semantic Concept Steering Breaks the Explanation Drift Loop in Continual Learning
• Title（参考訳）: セマンティック概念ステアリングは連続学習における説明ドリフトループを破る
• Abstract要約: 連続学習(CL)における破滅的忘れは, 精度低下だけでなく, エンフラレーションドリフトとしても現れる この研究は、説明を意識したCLにおいて、これまで見過ごされていた構造的欠陥を特定し、解決する。 textbfC$3$L(Concept-Consistent Continual Learning)を導入し、クラス一貫性セマンティック概念への正規化を固定することで、このループを破る。
• 参考スコア（独自算出の注目度）: 16.541207762213272
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Catastrophic forgetting in continual learning (CL) manifests not only as accuracy degradation but also as \emph{explanation drift}: models maintain predictive accuracy while silently shifting attention from diagnostic features to spurious correlations. This work identifies and resolves a previously overlooked structural flaw in explanation-aware CL: pixel-level saliency regularization derives supervision targets from the model's own frozen saliency maps, creating a \emph{self-referential drift loop} that actively reinforces spurious attention across tasks. We introduce \textbf{C$^3$L} (Concept-Consistent Continual Learning), which breaks this loop by anchoring regularization to class-consistent semantic concepts (e.g., ``curved beak'', ``striped pattern'') discovered offline, independent of model state, providing (i) target independence from model drift, and (ii) cross-instance semantic consistency across every instance of a class. We identify that our concept-based objective, combined with approximate LRP relevance conservation, induces a \emph{crowding-out effect}: since concept and background regions compete for the relevance of the same prediction, enforcing high relevance within concept regions implicitly suppresses spurious background correlations without explicit penalization. \method does not require human-annotated concept sets, as it employs a fully automated concept discovery and spatial grounding. Extensive evaluation across five benchmarks and over 20 baselines demonstrates state-of-the-art performance in accuracy, forgetting, explanation quality, spurious correlation mitigation, and out-of-distribution robustness.
• Abstract（参考訳）: 連続学習(CL)における破滅的な忘れは、精度の低下だけでなく、「emph{explanation drift}」としても現れる。 ピクセルレベルのサリエンシ正規化は、モデル自身の凍結したサリエンシマップから監督対象を導出し、タスク間の急激な注意を積極的に補強する「emph{self-referential drift loop}」を作成する。 このループは、クラス一貫性セマンティック概念(例: ``curved beak'', ``striped pattern'')への正規化をアンカーすることで、モデル状態から独立して、このループを破る。 一 モデルドリフトからの独立を目標とし、 (ii)クラスの各インスタンス間でのクロスインスタンスセマンティック一貫性。 概念と背景領域は同じ予測の妥当性を競うため,概念領域内での高関連性を暗黙的に抑制し,暗黙的に暗黙的に暗黙的な暗黙の背景相関を抑える。 \methodは、完全に自動化された概念発見と空間的接地を使用するため、人間に注釈をつけた概念セットを必要としない。 5つのベンチマークと20以上のベースラインにわたる広範囲な評価は、正確さ、忘れ、説明品質、素早い相関緩和、アウト・オブ・ディストリビューションの堅牢性を示す。

関連論文リスト

• CHOQOLATE: Organizing Concept Bottleneck Latent Spaces with Choquet Integrals [2.6396638625969184]
  CLIPのような視覚言語モデル上に構築された概念ボトルネックモデル(CBM)は、人間の理解可能な概念として潜在空間を表現している。 CHOQOLATEは、2-additive Choquet積分をベースとした解釈可能な設計層であり、相関の概念をコンパクトノードにマージする。 ChoQOLATEは、ウェイトスパースとセマンティックコヒーレントノードを備えた、良好な精度-解釈可能性トレードオフを実現する。
  論文  参考訳（メタデータ） (2026-09-29T15:18:04Z)
• Interpreting Object-Dependent Concept Brittleness in Text-to-Image Diffusion Models [105.53190946111586]
  我々はこの現象をオブジェクト依存概念の脆さと呼ぶ。 これらの障害を監査し、最小限に修正する、解釈可能性指向のフレームワークを提案する。 複数の拡散バックボーンにまたがるスタイルと属性の故障事例について,提案手法の評価を行った。
  論文  参考訳（メタデータ） (2026-09-09T09:07:40Z)
• Structuring Semantic Embeddings for Principle Evaluation: A Prototype-Guided Contrastive Learning Approach [58.15427952222424]
  汎用的なテキスト埋め込みはそのようなタスクに広くデプロイされているが、意味的類似性は意味的に似ているがタスク固有の例を示すことができる。 本稿では,凍結したテキスト埋め込み上に構築された幾何正規化モジュールであるPGCL(Prototype-Guided Contrastive Learning)を紹介する。
  論文  参考訳（メタデータ） (2026-08-15T13:19:25Z)
• CV-DCLR: Causal-Visual Dynamic Label Refinement for Robust Zero-Shot Learning [25.21342780360303]
  本稿ではCausal-Visual Dynamic Label Refinementフレームワークを提案する。 二重ストリーム相互補正機構を用いて視覚的意味的関連を補正する。 CUB、SUN、AWA2ベンチマークの実験では、CV-DCLRは高いあいまいさのシナリオで最先端の手法を大幅に上回っている。
  論文  参考訳（メタデータ） (2026-07-01T12:45:35Z)
• DriftScope: Measuring The Hidden Effects of Diffusion Model Adaptation [50.584834483403675]
  新しい視覚概念を学習するか、望ましくないものを消去するか、事前学習したテキスト・画像拡散モデルに適応させることは、意図した効果だけで日常的に評価される。 適応が意味論的に無関係な概念を、構造的にメトリクスを集約することができない方法で体系的に損なうことを実証する。 DriftScopeは、任意の2つのモデルチェックポイントを取り込み、視覚的概念が最も移行したトークンのランクリストを返す、プロンプトレベルの診断ツールである。
  論文  参考訳（メタデータ） (2026-06-30T20:57:51Z)
• Learning from Emptiness: De-biasing Listwise Rerankers with Content-Agnostic Probability Calibration [76.08899010904652]
  CapCalは、ランキング決定から位置バイアスを機械的に分離する、トレーニング不要のフレームワークである。 シングルパス効率を保ちながら、トレーニング不要の手法で優れた性能を発揮する。
  論文  参考訳（メタデータ） (2026-04-11T10:47:22Z)
• MeGU: Machine-Guided Unlearning with Target Feature Disentanglement [73.49657372882082]
  本稿では,概念意識の再調整を通じて学習をガイドする新しいフレームワークを提案する。 MeGUは制御的かつ選択的に忘れることを可能にし、アンダーアンラーニングとオーバーアンラーニングの両方を効果的に緩和する。
  論文  参考訳（メタデータ） (2026-02-19T05:20:31Z)
• ATAS: Any-to-Any Self-Distillation for Enhanced Open-Vocabulary Dense Prediction [7.353998772647553]
  Any-to-Any Self-Distillation (ATAS)は、セマンティックコヒーレンスときめ細かいアライメントを同時に強化する新しいアプローチである。 ATASはオープン語彙オブジェクト検出とセマンティックセグメンテーションのベンチマークでかなりの性能向上を達成した。
  論文  参考訳（メタデータ） (2025-06-10T10:40:10Z)

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。