現実世界の食品認識に向けたダブル不均衡の継続学習
arXiv cs.CV / 2026/4/1
💬 オピニオンIdeas & Deep AnalysisModels & Research
要点
- 本論文は、長い裾を持つクラス頻度と、各ステップで新たに導入されるカテゴリ数の偏りの両方から生じる「ダブル不均衡」を明示的に扱う、現実世界の食品認識のための継続学習手法DIMEを提案する。
- DIMEは、軽量なタスクごとのアダプタを学習するためのパラメータ効率の高い微調整を用い、その後、クラス数に導かれたスペクトルマージ戦略により段階的にそれらを統合する。
- アダプタのマージを安定化するために、支配的な知識を保持しつつ適応的な更新を可能にする、階数（rank）ごとのしきい値変調メカニズムを提案する。
- 推論時には単一のマージ済みアダプタを出力し、タスク固有のモジュールを維持せずに、配備を効率化することを目指す。
- ステップ不均衡プロトコルによる、現実的な長い裾を持つ食品ベンチマークでの実験の結果、DIMEは従来の強力な継続学習ベースラインよりも3%以上改善し、コードはGitHubで公開されている。
