論文の概要: Beyond Entropy: Region Confidence Proxy for Wild Test-Time Adaptation

• arxiv url: http://arxiv.org/abs/2505.20704v2
• Date: Wed, 04 Jun 2025 07:00:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 13:54:39.444767
• Title: Beyond Entropy: Region Confidence Proxy for Wild Test-Time Adaptation
• Title（参考訳）: エントロピーを超えて: ワイルドテスト時間適応のためのリージョン信頼プロキシ
• Authors: Zixuan Hu, Yichun Hu, Xiaotong Li, Shixiang Tang, Ling-Yu Duan,
• Abstract要約: 本稿では,領域統合手法ReCAPを導入し,その長大な処理を回避した。 本研究では,抽出可能な領域の信頼度を抽出可能かつ上界のプロキシに変換する有限から無限のセマンティック近似を開発する。 実験では、さまざまなデータセットやワイルドシナリオにわたる既存のメソッドよりも、ReCAPが一貫した優位性を実証した。
• 参考スコア（独自算出の注目度）: 38.592912062937906
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Wild Test-Time Adaptation (WTTA) is proposed to adapt a source model to unseen domains under extreme data scarcity and multiple shifts. Previous approaches mainly focused on sample selection strategies, while overlooking the fundamental problem on underlying optimization. Initially, we critically analyze the widely-adopted entropy minimization framework in WTTA and uncover its significant limitations in noisy optimization dynamics that substantially hinder adaptation efficiency. Through our analysis, we identify region confidence as a superior alternative to traditional entropy, however, its direct optimization remains computationally prohibitive for real-time applications. In this paper, we introduce a novel region-integrated method ReCAP that bypasses the lengthy process. Specifically, we propose a probabilistic region modeling scheme that flexibly captures semantic changes in embedding space. Subsequently, we develop a finite-to-infinite asymptotic approximation that transforms the intractable region confidence into a tractable and upper-bounded proxy. These innovations significantly unlock the overlooked potential dynamics in local region in a concise solution. Our extensive experiments demonstrate the consistent superiority of ReCAP over existing methods across various datasets and wild scenarios.
• Abstract（参考訳）: Wild Test-Time Adaptation (WTTA) は、極度のデータ不足と複数のシフトの下で、見つからないドメインにソースモデルを適用するために提案されている。 従来のアプローチは主にサンプル選択戦略に重点を置いていたが、基礎となる最適化に関する根本的な問題を見落としていた。 当初、WTTAで広く採用されているエントロピー最小化フレームワークを批判的に分析し、適応効率を著しく損なう雑音最適化力学において、その重要な限界を明らかにする。 分析により,領域の信頼度は従来のエントロピーの代替となるが,その直接的な最適化はリアルタイムアプリケーションでは計算的に禁止されている。 本稿では,領域統合手法であるReCAPを導入し,その長大な処理を回避した。 具体的には,埋め込み空間における意味的変化を柔軟にキャプチャする確率論的領域モデリング手法を提案する。 その後,有限から無限の漸近近似を開発し,抽出可能な領域の信頼度を抽出可能な上界のプロキシに変換する。 これらの革新は、簡潔な解法において、局所領域の見落とされたポテンシャル力学を著しく解き放つ。 我々の広範な実験は、さまざまなデータセットやワイルドシナリオにわたる既存のメソッドよりも、ReCAPが一貫した優位性を示している。

関連論文リスト

• Rethinking Direct Preference Optimization in Diffusion Models [15.358181258656229]
  拡散に基づく選好最適化を改良する新しい手法を提案する。 まず、凍結参照モデルを緩和し、探索を促進する安定した参照モデル更新戦略を導入する。 第2に、タイムステップ間の報酬スケール不均衡問題を緩和するタイムステップ対応トレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2025-05-24T15:14:45Z)
• Representation-based Reward Modeling for Efficient Safety Alignment of Large Language Model [84.00480999255628]
  大規模言語モデル(LLM)の安全性アライメントのための強化学習アルゴリズムは,分散シフトの課題に直面している。 現在のアプローチでは、ターゲットポリシーからのオンラインサンプリングを通じてこの問題に対処するのが一般的である。 モデル固有の安全判断能力を活用して報酬信号を抽出する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-13T06:40:34Z)
• Global-Decision-Focused Neural ODEs for Proactive Grid Resilience Management [50.34345101758248]
  本稿では,機能停止予測とグローバルに最適化された介入を統合するフレームワークPATOGを提案する。 提案手法は,空間的かつ時間的に整合性のある意思決定を保証し,予測精度と操作効率を両立させる。 合成および実世界のデータセットの実験では、停止予測一貫性とグリッドレジリエンスが大幅に改善された。
  論文  参考訳（メタデータ） (2025-02-25T16:15:35Z)
• GDO: Gradual Domain Osmosis [1.62060928868899]
  本稿では,GDA(Gradual Domain Adaptation)において,ソースドメインからターゲットドメインへのスムーズな知識マイグレーションの問題を解決することを目的とした,Gradual Domain Osmosisと呼ばれる新しい手法を提案する。 従来のGradual Domain Adaptationメソッドは、中間ドメインの導入と自己学習戦略によってドメインバイアスを軽減するが、多くの場合、中間ドメインにおける非効率的な知識マイグレーションや欠落データといった課題に直面している。
  論文  参考訳（メタデータ） (2025-01-31T14:25:45Z)
• Source-Free Online Domain Adaptive Semantic Segmentation of Satellite Images under Image Degradation [20.758637391023345]
  我々は、衛星画像のソースフリーおよびオンラインドメイン適応、すなわちテスト時間適応(TTA)に対処する。 2つの効果的な戦略を含む新しいTTA手法を提案する。 まず、ターゲット分布のグローバルバッチ正規化統計を着信データストリームで段階的に推定する。 第2に,グローバルなクラスセンターを用いて予測マスクを精錬することにより,予測品質を向上させる。
  論文  参考訳（メタデータ） (2024-01-04T07:49:32Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• Effective Restoration of Source Knowledge in Continual Test Time Adaptation [44.17577480511772]
  本稿では、動的環境におけるドメインシフトを識別できる教師なし領域変更検出手法を提案する。 情報源から知識を復元することにより、モデルパラメータの段階的劣化に起因する負の結果を効果的に補正する。 我々は,最先端の適応手法と比較して,提案手法の優れた性能を示すために,ベンチマークデータセットの広範な実験を行った。
  論文  参考訳（メタデータ） (2023-11-08T19:21:48Z)
• Variational Model Perturbation for Source-Free Domain Adaptation [64.98560348412518]
  確率的枠組みにおける変分ベイズ推定によるモデルパラメータの摂動を導入する。 本研究では,ベイズニューラルネットワークの学習と理論的関連性を実証し,目的領域に対する摂動モデルの一般化可能性を示す。
  論文  参考訳（メタデータ） (2022-10-19T08:41:19Z)
• Model-Based Domain Generalization [96.84818110323518]
  本稿では,モデルベースドメイン一般化問題に対する新しいアプローチを提案する。 我々のアルゴリズムは、最新のwildsベンチマークの最先端手法を最大20ポイント上回った。
  論文  参考訳（メタデータ） (2021-02-23T00:59:02Z)
• On The Verification of Neural ODEs with Stochastic Guarantees [14.490826225393096]
  時間連続型ニューラルネットワークの新興クラスであるneural odesは,グローバル最適化問題の集合を解いて検証できることを示す。 密なReachtubeを構築するための抽象化ベースのテクニックであるLagran Reachability(SLR)を紹介する。
  論文  参考訳（メタデータ） (2020-12-16T11:04:34Z)

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。