センシングは文脈によって変わる：触覚Few-Shotクラスインクリメンタル学習のためのContext-as-Transform

arXiv cs.AI / 2026/3/27

💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、取得時の文脈（デバイス、接触状態、インタラクション設定）が標準化されていないことにより、触覚センシングにおけるFew-Shot Class-Incremental Learning（FSCIL）の性能が低下する問題に取り組む。
Context-as-Transform FSCIL（CaT-FSCIL）を提案し、文脈を構造化された低次元成分と高次元の残差に分解したうえで、それぞれに異なるメカニズムを適用する。
低次元成分については、触覚インタラクションの影響を、近似的に可逆なContext-as-Transformファミリでモデル化し、擬似的な文脈一貫性ロスを用いて逆変換によるカノニカル化を行う。
高次元の残差（プラットフォーム／デバイス差）については、文脈の不確実性に基づいてプロトタイプと意思決定境界を調整するUncertainty-Conditioned Prototype Calibration（UCPC）を導入する。
HapTexとLMT108での実験により、CaT-FSCILは触覚FSCILベンチマークにおいて既存手法よりも優れており、提案する文脈モデリングとキャリブレーションが頑健性を向上させることが示される。

Abstract

少数サンプルにより獲得文脈（acquisition contexts）を与えられる場合、少数ショット・クラス増分学習（FSCIL）は特に影響を受けやすいことがあります。典型的なシナリオは触覚センシングであり、獲得文脈（{\it 例}, 多様なデバイス、接触状態、相互作用設定）は標準化の欠如により性能を低下させます。本論文では、上記の問題に取り組むためにContext-as-Transform FSCIL（CaT-FSCIL）を提案します。獲得文脈を、構造化された低次元成分と、高次元の残差成分に分解します。前者は触覚インタラクションの特徴により容易に影響され、その特徴は、おおよそ可逆なContext-as-Transformファミリーとしてモデル化されます。そして、疑似文脈整合性損失（pseudo-context consistency loss）で最適化された逆変換による正準化（inverse-transform canonicalization）を通じて扱います。後者は主にプラットフォームやデバイスの違いに起因し、文脈の不確実性に基づいて文脈不確実性（context uncertainty）を考慮しつつバイアスのあるプロトタイプと意思決定境界を校正する、不確実性条件付きプロトタイプ校正（UCPC）によって軽減できます。標準ベンチマークであるHapTexおよびLMT108に対する包括的な実験により、提案手法であるCaT-FSCILの優位性が示されました。