論文の概要: Monitoring Risks in Test-Time Adaptation

• arxiv url: http://arxiv.org/abs/2507.08721v1
• Date: Fri, 11 Jul 2025 16:21:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-14 18:03:54.426922
• Title: Monitoring Risks in Test-Time Adaptation
• Title（参考訳）: テスト時間適応におけるモニタリングリスク
• Authors: Mona Schirmer, Metod Jazbec, Christian A. Naesseth, Eric Nalisnick,
• Abstract要約: テスト時間適応(TTA)メソッドは、未ラベルのテストデータのみを使用してデプロイされたモデルに継続的に適応することでこの問題に対処する。 予測性能を追跡し,事前定義された性能基準に違反した場合に警告を発するリスク監視フレームワークとのペアリングTTAを提案する。 当社の拡張機能は、厳格な統計リスクモニタリングをTTAに適用する上で有効です。
• 参考スコア（独自算出の注目度）: 3.4971919212033877
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Encountering shifted data at test time is a ubiquitous challenge when deploying predictive models. Test-time adaptation (TTA) methods address this issue by continuously adapting a deployed model using only unlabeled test data. While TTA can extend the model's lifespan, it is only a temporary solution. Eventually the model might degrade to the point that it must be taken offline and retrained. To detect such points of ultimate failure, we propose pairing TTA with risk monitoring frameworks that track predictive performance and raise alerts when predefined performance criteria are violated. Specifically, we extend existing monitoring tools based on sequential testing with confidence sequences to accommodate scenarios in which the model is updated at test time and no test labels are available to estimate the performance metrics of interest. Our extensions unlock the application of rigorous statistical risk monitoring to TTA, and we demonstrate the effectiveness of our proposed TTA monitoring framework across a representative set of datasets, distribution shift types, and TTA methods.
• Abstract（参考訳）: 予測モデルをデプロイする際の、シフトしたデータをテスト時に列挙することは、ユビキタスな課題である。 テスト時間適応(TTA)メソッドは、未ラベルのテストデータのみを使用してデプロイされたモデルに継続的に適応することでこの問題に対処する。 TTAはモデルの寿命を延長できるが、一時的な解決策に過ぎない。 最終的には、モデルはオフラインにされ、再トレーニングされなければならない点まで劣化する可能性がある。 このような究極の障害点を検出するために,予測性能を追跡し,事前定義された性能基準に違反した場合に警告を発するリスク監視フレームワークを用いたペアリングTTAを提案する。 具体的には、信頼性シーケンスを用いたシーケンシャルなテストに基づく既存の監視ツールを拡張し、テスト時にモデルが更新され、興味のあるパフォーマンス指標を見積もるテストラベルが存在しないシナリオに対応する。 我々の拡張は、厳密な統計リスクモニタリングをTTAに適用することを可能にし、提案したTTAモニタリングフレームワークが、代表的なデータセット、分散シフトタイプ、およびTTAメソッドの集合にわたって有効であることを実証する。

関連論文リスト

• R.I.P.: A Simple Black-box Attack on Continual Test-time Adaptation [12.024233973321756]
  テスト時間適応(TTA)は、マシンラーニングの継続的なドメインシフトに取り組むための、有望なソリューションとして登場した。 連続的なTTAモデルの性能を低下させることのできるデータサンプリングプロセスにおけるリスクの特定に成功した。
  論文  参考訳（メタデータ） (2024-12-02T05:55:13Z)
• Uncertainty-Calibrated Test-Time Model Adaptation without Forgetting [55.17761802332469]
  テスト時間適応(TTA)は、与えられたモデルw.r.t.を任意のテストサンプルに適用することにより、トレーニングデータとテストデータの間の潜在的な分散シフトに取り組むことを目指している。 事前の手法は各テストサンプルに対してバックプロパゲーションを実行するため、多くのアプリケーションに対して許容できない最適化コストがかかる。 本稿では, 有効サンプル選択基準を策定し, 信頼性および非冗長なサンプルを同定する, 効率的なアンチフォッティングテスト時間適応法を提案する。
  論文  参考訳（メタデータ） (2024-03-18T05:49:45Z)
• Persistent Test-time Adaptation in Recurring Testing Scenarios [12.024233973321756]
  現在のテスト時間適応(TTA)アプローチは、継続的に変化する環境に機械学習モデルを適用することを目的としている。 しかし,TTA法が長期にわたって適応性を維持することができるかどうかは不明である。 本稿では,モデルが崩壊に向かって変動していることを検知し,適応戦略を調整する永続的TTA(PeTTA)を提案する。
  論文  参考訳（メタデータ） (2023-11-30T02:24:44Z)
• A Comprehensive Survey on Test-Time Adaptation under Distribution Shifts [117.72709110877939]
  テスト時間適応(TTA)は、事前訓練されたモデルをテスト中に、予測する前にラベルのないデータに適応する可能性がある。 TTAはテスト時間領域適応、テスト時間バッチ適応、オンラインテスト時間適応といったテストデータの形態に基づいて、いくつかの異なるグループに分類される。
  論文  参考訳（メタデータ） (2023-03-27T16:32:21Z)
• Towards Stable Test-Time Adaptation in Dynamic Wild World [60.98073673220025]
  テスト時間適応(TTA)は、与えられたモデルをテストサンプルに適応させることで、トレーニングとテストデータの分散シフトに取り組むのに有効であることが示されている。 TTAのオンラインモデル更新は不安定であり、これはしばしば既存のTTAメソッドが現実世界にデプロイされるのを防ぐ重要な障害である。
  論文  参考訳（メタデータ） (2023-02-24T02:03:41Z)
• Uncovering Adversarial Risks of Test-Time Adaptation [41.19226800089764]
  テスト時間適応(TTA)は、分散シフトに対処するための有望な解決策として提案されている。 我々は、良性サンプルの予測が同一バッチ内の悪意のあるサンプルに影響される可能性があるという知見に基づいて、TTAの新たなセキュリティ脆弱性を明らかにする。 テストバッチに少数の悪意のあるデータを注入する分散侵入攻撃(DIA)を提案する。
  論文  参考訳（メタデータ） (2023-01-29T22:58:05Z)
• TeST: Test-time Self-Training under Distribution Shift [99.68465267994783]
  Test-Time Self-Training (TeST)は、あるソースデータとテスト時の新しいデータ分散に基づいてトレーニングされたモデルを入力する技術である。 また,TeSTを用いたモデルでは,ベースラインテスト時間適応アルゴリズムよりも大幅に改善されていることがわかった。
  論文  参考訳（メタデータ） (2022-09-23T07:47:33Z)
• Robust Continual Test-time Adaptation: Instance-aware BN and Prediction-balanced Memory [58.72445309519892]
  テストデータストリーム以外のデータストリームに対して堅牢な新しいテスト時間適応方式を提案する。 a)分布外サンプルの正規化を修正するIABN(Instance-Aware Batch Normalization)と、(b)クラスバランスのない方法で非i.d.ストリームからのデータストリームをシミュレートするPBRS(Predict- Balanced Reservoir Sampling)である。
  論文  参考訳（メタデータ） (2022-08-10T03:05:46Z)
• Efficient Test-Time Model Adaptation without Forgetting [60.36499845014649]
  テストタイム適応は、トレーニングとテストデータの間の潜在的な分散シフトに取り組むことを目指している。 信頼性および非冗長なサンプルを同定するためのアクティブなサンプル選択基準を提案する。 また、重要なモデルパラメータを劇的な変化から制約するFisher regularizerを導入します。
  論文  参考訳（メタデータ） (2022-04-06T06:39:40Z)

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。