論文の概要: Test time Adaptation through Perturbation Robustness

• arxiv url: http://arxiv.org/abs/2110.10232v1
• Date: Tue, 19 Oct 2021 20:00:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-22 16:37:37.787370
• Title: Test time Adaptation through Perturbation Robustness
• Title（参考訳）: 摂動ロバスト性によるテスト時間適応
• Authors: Prabhu Teja Sivaprasad, Fran\c{c}ois Fleuret
• Abstract要約: 私たちは、推論時にドメインシフトに適応する問題に取り組みます。 トレーニングプロセスを変更するのではなく、テスト時にモデルを迅速に適用して、ドメインシフトを処理します。 我々の手法は、以前の方法と同等か、あるいは著しく上回っている。
• 参考スコア（独自算出の注目度）: 1.52292571922932
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data samples generated by several real world processes are dynamic in nature \textit{i.e.}, their characteristics vary with time. Thus it is not possible to train and tackle all possible distributional shifts between training and inference, using the host of transfer learning methods in literature. In this paper, we tackle this problem of adapting to domain shift at inference time \textit{i.e.}, we do not change the training process, but quickly adapt the model at test-time to handle any domain shift. For this, we propose to enforce consistency of predictions of data sampled in the vicinity of test sample on the image manifold. On a host of test scenarios like dealing with corruptions (CIFAR-10-C and CIFAR-100-C), and domain adaptation (VisDA-C), our method is at par or significantly outperforms previous methods.
• Abstract（参考訳）: いくつかの実世界のプロセスが生成するデータサンプルは自然に動的であり、その特性は時間によって異なる。 したがって、文学におけるトランスファー学習の手法のホストを用いて、トレーニングと推論の間のあらゆる分散シフトを訓練し、取り組めない。 本稿では,推論時間 \textit{i.e} におけるドメインシフトへの適応という問題に取り組む。トレーニングプロセスを変更するのではなく,テスト時にモデルを迅速に適用して任意のドメインシフトを処理する。 そこで本研究では,画像多様体上のテスト試料近傍でサンプリングされたデータの予測一貫性を強制する。 汚職処理(CIFAR-10-CとCIFAR-100-C)やドメイン適応(VisDA-C)といったテストシナリオにおいて,本手法は従来手法と同等あるいは著しく優れていた。

関連論文リスト

• Temporal Test-Time Adaptation with State-Space Models [4.248760709042802]
  テストサンプルにモデルを適用することは、パフォーマンスの低下を軽減するのに役立ちます。 ほとんどの試験時間適応法は、合成汚職シフトに重点を置いている。 本稿では,時相分布シフトに対応する確率的状態空間モデルSTADを提案する。
  論文  参考訳（メタデータ） (2024-07-17T11:18:49Z)
• Align Your Prompts: Test-Time Prompting with Distribution Alignment for Zero-Shot Generalization [64.62570402941387]
  テスト領域のギャップを埋めるために、機能分散シフトを最小限にして、テスト時にマルチモーダルプロンプトを適用するために、単一のテストサンプルを使用します。 提案手法は,既存のプロンプト学習技術以上のゼロショットトップ1精度を向上し,ベースラインのMaPLeよりも3.08%向上した。
  論文  参考訳（メタデータ） (2023-11-02T17:59:32Z)
• A Comprehensive Survey on Test-Time Adaptation under Distribution Shifts [143.14128737978342]
  新たなパラダイムであるテスト時適応は、事前トレーニングされたモデルをテスト中にラベルのないデータに適用し、予測を行う可能性がある。 このパラダイムの最近の進歩は、推論に先立って自己適応モデルのトレーニングにラベルのないデータを活用するという大きな利点を浮き彫りにしている。
  論文  参考訳（メタデータ） (2023-03-27T16:32:21Z)
• Evaluating Continual Test-Time Adaptation for Contextual and Semantic Domain Shifts [3.4161707164978137]
  我々は、事前訓練された畳み込みニューラルネットワークをテスト時にドメインシフトに適用する。 ドメインシフトの現実的および挑戦的な2つの源、すなわちコンテキストシフトとセマンティックシフトに基づいて、技術の現状を評価する。 テスト時間適応法は、意味的シフトよりも文脈的シフトの方が優れ、忘れがちである。
  論文  参考訳（メタデータ） (2022-08-18T11:05:55Z)
• Gradual Test-Time Adaptation by Self-Training and Style Transfer [5.110894308882439]
  段階的ドメイン適応とテスト時間適応の自然な関係を示す。 本稿では,自己学習とスタイル伝達に基づく新しい手法を提案する。 CIFAR10C, CIFAR100C, ImageNet-Cベンチマークにおける本手法の有効性を示す。
  論文  参考訳（メタデータ） (2022-08-16T13:12:19Z)
• IDANI: Inference-time Domain Adaptation via Neuron-level Interventions [24.60778570114818]
  本稿では,ニューロンレベルの介入を用いたドメイン適応(DA)の新しいアプローチを提案する。 特定のニューロンにおける各テスト例の表現を変更した結果、ソースドメインからの逆実例が得られます。 実験の結果,本手法は未確認領域の性能向上を図っている。
  論文  参考訳（メタデータ） (2022-06-01T06:39:28Z)
• CAFA: Class-Aware Feature Alignment for Test-Time Adaptation [50.26963784271912]
  テスト時間適応(TTA)は、テスト時にラベルのないデータにモデルを適応させることによって、この問題に対処することを目的としている。 本稿では,クラス認識特徴アライメント(CAFA, Class-Aware Feature Alignment)と呼ばれる単純な機能アライメント損失を提案する。
  論文  参考訳（メタデータ） (2022-06-01T03:02:07Z)
• Continual Test-Time Domain Adaptation [94.51284735268597]
  テスト時ドメイン適応は、ソースデータを使用しずに、ソース事前訓練されたモデルをターゲットドメインに適応することを目的としている。 CoTTAは実装が容易で、市販の事前訓練モデルに簡単に組み込むことができる。
  論文  参考訳（メタデータ） (2022-03-25T11:42:02Z)
• Learning to Generalize across Domains on Single Test Samples [126.9447368941314]
  単体テストサンプルでドメインをまたいで一般化することを学ぶ。 変分ベイズ推論問題として単検体への適応を定式化する。 我々のモデルは、ドメインの一般化のための複数のベンチマークにおいて、最先端のメソッドよりも少なくとも同等で、より優れたパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2022-02-16T13:21:04Z)
• Adaptive Risk Minimization: Learning to Adapt to Domain Shift [109.87561509436016]
  ほとんどの機械学習アルゴリズムの基本的な前提は、トレーニングとテストデータは、同じ基礎となる分布から引き出されることである。 本研究では,学習データをドメインに構造化し,複数のテスト時間シフトが存在する場合の領域一般化の問題点について考察する。 本稿では、適応リスク最小化(ARM)の枠組みを紹介し、モデルがトレーニング領域に適応することを学ぶことで、効果的な適応のために直接最適化される。
  論文  参考訳（メタデータ） (2020-07-06T17:59:30Z)

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。