論文の概要: Federated Class Incremental Learning: A Pseudo Feature Based Approach Without Exemplars
- arxiv url: http://arxiv.org/abs/2611.15025v1
- Date: Wed, 11 Nov 2026 04:41:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.041305
- Title: Federated Class Incremental Learning: A Pseudo Feature Based Approach Without Exemplars
- Title(参考訳): フェデレーション・クラスインクリメンタル・ラーニング:見習いのない擬似特徴に基づくアプローチ
- Abstract要約: 本稿では,プロトタイプから生成した擬似特徴を利用して破滅的忘れを緩和するFCLPFを提案する。
提案手法は,過去のデータの必要性を排除し,通信コストを削減し,効率を向上する。
TinyImageNetでは、ベースラインの27.69%の正確さと24.46%の忘れ方に比べて、FCLPFは37.56%の正確さと3.14%の忘れ方を達成した。
- 参考スコア(独自算出の注目度): 0.5156484100374059
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Federated learning often assumes that data is fixed in advance, which is unrealistic in many real-world scenarios where new data continuously arrives, causing catastrophic forgetting. To address this challenge, we propose FCLPF (Federated Class Incremental Learning with Pseudo Features), a method that uses pseudo features generated from prototypes to mitigate catastrophic forgetting. Our approach reduces communication costs and improves efficiency by eliminating the need for past data and avoiding computationally heavy models like GANs. Experimental results on CIFAR-100 show that FCLPF achieves an average accuracy of 51.87% and an average forgetting of 9.62%, significantly outperforming existing baselines with an average accuracy of 47.72% and forgetting of 20.46%. On TinyImageNet, FCLPF achieves 37.56% accuracy and 3.14% forgetting, compared to the baselines' 27.69% accuracy and 24.46% forgetting, demonstrating the superior performance of FCLPF.
- Abstract(参考訳): フェデレーション学習は、データが事前に固定されていると仮定することが多い。これは、新しいデータが継続的に到着する多くの現実のシナリオでは非現実的であり、破滅的な忘れ物を引き起こす。
この課題に対処するために,プロトタイプから生成された擬似特徴を用いて破滅的忘れを緩和するFCLPF(Federated Class Incremental Learning with Pseudo Features)を提案する。
提案手法は,過去のデータの必要性を排除し,GANのような計算量の多いモデルを避けることにより,通信コストを削減し,効率を向上する。
CIFAR-100の実験結果によると、FCLPFの平均精度は51.87%、平均忘れ率は9.62%であり、既存のベースラインよりも47.72%、平均忘れ率は20.46%である。
TinyImageNetでは、ベースラインの27.69%の正確さと24.46%の忘れ方に比べて、FCLPFは37.56%の正確さと3.14%の忘れ方を実現しており、FCLPFの優れた性能を示している。
関連論文リスト
- StableTTA: Training-Free Test-Time Adaptation that Improves Model Accuracy on ImageNet1K to 96% [4.467218412104476]
アンサンブル法は予測性能を向上させるために広く用いられているが、その有効性はメモリ使用量の増加と計算複雑性の増大によって生じることが多い。
本稿では,新しい画像とロジット処理を用いたトレーニング不要なテスト時間適応(StableTTA)を提案する。
論文 参考訳(メタデータ) (2026-04-06T09:21:48Z) - Benchmarking Reasoning Robustness in Large Language Models [76.79744000300363]
新規データや不完全データでは,性能が著しく低下することがわかった。
これらの結果は、厳密な論理的推論に対するリコールへの依存を浮き彫りにした。
本稿では,情報不足によって引き起こされる幻覚を利用して推論ギャップを明らかにする,Math-RoBと呼ばれる新しいベンチマークを提案する。
論文 参考訳(メタデータ) (2025-03-06T15:36:06Z) - Fourier Domain Adaptation for Traffic Light Detection in Adverse Weather [1.1411980034550504]
悪天候下での交通光検出は、ADASシステムでは未発見のままである。
本稿では、アーキテクチャの変更なしにデータ修正をトレーニングすることのみを必要とするフーリエドメイン適応(FDA)を提案する。
FDAは、ソースとターゲットドメイン間のドメインギャップを最小化し、悪天候下で信頼性の高いパフォーマンスのためのデータセットを作成する。
論文 参考訳(メタデータ) (2024-11-12T16:15:25Z) - PUMA: margin-based data pruning [51.12154122266251]
モデル分類境界からの距離(すなわちマージン)に基づいて、いくつかのトレーニングサンプルを除去するデータプルーニングに焦点を当てる。
我々は,DeepFoolを用いてマージンを算出する新しいデータプルーニング戦略PUMAを提案する。
PUMAは,現状の最先端手法であるロバスト性の上に利用でき,既存のデータプルーニング戦略と異なり,モデル性能を著しく向上させることができることを示す。
論文 参考訳(メタデータ) (2024-05-10T08:02:20Z) - Improving Machine Learning Robustness via Adversarial Training [3.7942983866014073]
本研究では,中央集権・分散環境における対人訓練によるMLの堅牢性について検討する。
中央集権環境では,敵の例を分類すると65.41%,83.0%の検査精度が得られる。
分散環境下では,独立・同一分散(IID)と非IIDデータを用いた対人訓練を用いて,フェデレートラーニング(FL)の堅牢性について検討する。
論文 参考訳(メタデータ) (2023-09-22T02:43:04Z) - Cumulative Reasoning with Large Language Models [12.267474250936123]
Cumulative Reasoning (CR)は、大規模言語モデル(LLM)問題解決を強化する構造化フレームワークである。
CRはLLMを3つの異なる役割 - Proposer、Verifier(s)、Reporter - タスクを体系的に分解し、中間的推論ステップを生成し、検証し、ソリューションに構成する。
論文 参考訳(メタデータ) (2023-08-08T16:18:20Z) - Patch-Level Contrasting without Patch Correspondence for Accurate and
Dense Contrastive Representation Learning [79.43940012723539]
ADCLRは、正確で高密度な視覚表現を学習するための自己教師型学習フレームワークである。
提案手法は, コントラッシブな手法のための新しい最先端性能を実現する。
論文 参考訳(メタデータ) (2023-06-23T07:38:09Z) - A Meta-Learning Approach to Predicting Performance and Data Requirements [163.4412093478316]
本稿では,モデルが目標性能に達するために必要なサンプル数を推定する手法を提案する。
モデル性能を推定するデファクト原理であるパワー法則が,小さなデータセットを使用する場合の誤差が大きいことが判明した。
本稿では,2つのデータを異なる方法で処理するPPL法について紹介する。
論文 参考訳(メタデータ) (2023-03-02T21:48:22Z) - Boosting Facial Expression Recognition by A Semi-Supervised Progressive
Teacher [54.50747989860957]
本稿では,信頼度の高いFERデータセットと大規模未ラベル表現画像を有効訓練に用いるための半教師付き学習アルゴリズム,Progressive Teacher (PT)を提案する。
RAF-DB と FERPlus を用いた実験により,RAF-DB で89.57% の精度で最先端の性能を実現する手法の有効性が検証された。
論文 参考訳(メタデータ) (2022-05-28T07:47:53Z) - Precision-Weighted Federated Learning [1.8160945635344528]
フェデレート学習環境で訓練されたモデルのパラメータの重み付け平均を計算する際に,勾配のばらつきを考慮した新しいアルゴリズムを提案する。
本手法は,2つの異なるデータ分割戦略 (IID/non-IID) を持つ標準画像分類データセットを用いて,資源制約環境下での手法の性能と速度を測定した。
論文 参考訳(メタデータ) (2021-07-20T17:17:10Z) - To be Robust or to be Fair: Towards Fairness in Adversarial Training [83.42241071662897]
逆行訓練アルゴリズムは、異なるデータ群間の精度と堅牢性に深刻な違いをもたらす傾向がある。
本稿では、敵防衛を行う際の不公平問題を軽減するためのFair-Robust-Learning(FRL)フレームワークを提案する。
論文 参考訳(メタデータ) (2020-10-13T02:21:54Z)
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。