論文の概要: Out-of-Context Misinformation Detection via Variational Domain-Invariant Learning with Test-Time Training

• arxiv url: http://arxiv.org/abs/2511.10213v2
• Date: Sat, 15 Nov 2025 16:56:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:22.493963
• Title: Out-of-Context Misinformation Detection via Variational Domain-Invariant Learning with Test-Time Training
• Title（参考訳）: テスト時間学習による変分領域不変学習による文脈外誤情報検出
• Authors: Xi Yang, Han Zhang, Zhijian Lin, Yibiao Hu, Hong Han,
• Abstract要約: Out-of-context misinformation (OOC) は、ニュース報道における低コストな誤報形式である。 我々は,OOC誤情報検出のための領域適応能力を高めるために textbfVDT を提案する。
• 参考スコア（独自算出の注目度）: 7.447483980331488
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Out-of-context misinformation (OOC) is a low-cost form of misinformation in news reports, which refers to place authentic images into out-of-context or fabricated image-text pairings. This problem has attracted significant attention from researchers in recent years. Current methods focus on assessing image-text consistency or generating explanations. However, these approaches assume that the training and test data are drawn from the same distribution. When encountering novel news domains, models tend to perform poorly due to the lack of prior knowledge. To address this challenge, we propose \textbf{VDT} to enhance the domain adaptation capability for OOC misinformation detection by learning domain-invariant features and test-time training mechanisms. Domain-Invariant Variational Align module is employed to jointly encodes source and target domain data to learn a separable distributional space domain-invariant features. For preserving semantic integrity, we utilize domain consistency constraint module to reconstruct the source and target domain latent distribution. During testing phase, we adopt the test-time training strategy and confidence-variance filtering module to dynamically updating the VAE encoder and classifier, facilitating the model's adaptation to the target domain distribution. Extensive experiments conducted on the benchmark dataset NewsCLIPpings demonstrate that our method outperforms state-of-the-art baselines under most domain adaptation settings.
• Abstract（参考訳）: OOC(Out-of-context misinformation)は、ニュースメディアにおける偽情報の一種であり、真偽の画像をアウト・オブ・コンテクスト(out-of-context)または製造された画像テキストのペアリングに配置することを指す。 この問題は近年、研究者から大きな注目を集めている。 現在の手法は、画像テキストの一貫性の評価や説明の作成に重点を置いている。 しかし、これらの手法は、トレーニングデータとテストデータは同一の分布から引き出されると仮定する。 新たなニュースドメインに遭遇すると、事前知識の欠如によりモデルの性能が低下する傾向にある。 この課題に対処するために,ドメイン不変性やテスト時間トレーニング機構を学習することで,OOC誤情報検出のドメイン適応能力を高めるために,‘textbf{VDT} を提案する。 ドメイン不変変分モジュールは、ソースとターゲットのドメインデータを共同でエンコードし、分離可能な分散空間領域不変の特徴を学習するために使用される。 セマンティックな整合性を保つために、ドメイン整合性制約モジュールを使用して、ソースとターゲットドメインの潜在分布を再構築する。 テストフェーズでは,VAEエンコーダと分類器を動的に更新するために,テストタイムトレーニング戦略と信頼性分散フィルタリングモジュールを採用し,対象領域への適応を容易にする。 ベンチマークデータセットであるNewsCLIPpingsで行った大規模な実験により、我々の手法は、ほとんどのドメイン適応設定下で最先端のベースラインより優れていることが示された。

関連論文リスト

• Robust Source-Free Domain Adaptation for Medical Image Segmentation based on Curriculum Learning [54.514202147709625]
  ソースフリーなドメイン適応のためのカリキュラム(LFC)から学習するカリキュラムベースのフレームワークを提案する。 提案したソースフリー領域適応手法を,ファンドスセグメンテーションとポリプセグメンテーションのためのパブリッククロスドメインデータセット上で評価する。
  論文  参考訳（メタデータ） (2025-10-09T16:15:10Z)
• Stratified Domain Adaptation: A Progressive Self-Training Approach for Scene Text Recognition [1.2878987353423252]
  シーンテキスト認識(STR)において、教師なしドメイン適応(UDA)がますます普及している。 本稿では,StrDA(Stratified Domain Adaptation)アプローチを導入し,学習プロセスにおける領域ギャップの段階的エスカレーションについて検討する。 本稿では,データサンプルの分布外および領域判別レベルを推定するために,領域判別器を用いる新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-10-13T16:40:48Z)
• StyDeSty: Min-Max Stylization and Destylization for Single Domain Generalization [85.18995948334592]
  単一のドメインの一般化(単一DG)は、単一のトレーニングドメインからのみ見えないドメインに一般化可能な堅牢なモデルを学ぶことを目的としている。 最先端のアプローチは、主に新しいデータを合成するために、敵対的な摂動やスタイルの強化といったデータ拡張に頼っている。 データ拡張の過程で、ソースと擬似ドメインのアライメントを明示的に考慮したemphStyDeStyを提案する。
  論文  参考訳（メタデータ） (2024-06-01T02:41:34Z)
• Consistency Regularization for Generalizable Source-free Domain Adaptation [62.654883736925456]
  ソースフリードメイン適応(source-free domain adapt, SFDA)は、ソースデータセットにアクセスすることなく、十分にトレーニングされたソースモデルを未学習のターゲットドメインに適応することを目的としている。 既存のSFDAメソッドは、ターゲットのトレーニングセット上で適用されたモデルを評価し、目に見えないが同一の分散テストセットからデータを無視する。 より一般化可能なSFDA法を開発するための整合正則化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-03T07:45:53Z)
• Adaptive Semantic Consistency for Cross-domain Few-shot Classification [27.176106714652327]
  クロスドメイン・ショット分類(CD-FSC)は、いくつかのサンプルを用いて新規なターゲットクラスを特定することを目的としている。 本稿では,ドメイン間の堅牢性を向上する,シンプルなプラグアンドプレイ適応セマンティック一貫性フレームワークを提案する。 提案したASCは、ソースドメインの知識を明示的に伝達することで、モデルがターゲットドメインに過度に適合しないようにする。
  論文  参考訳（メタデータ） (2023-08-01T15:37:19Z)
• Decorate the Newcomers: Visual Domain Prompt for Continual Test Time Adaptation [14.473807945791132]
  Continual Test-Time Adaptation (CTTA) は、ソースデータにアクセスすることなく、ラベルなしのターゲットドメインを継続的に変更することを目的としている。 そこで本論文では,NLPにおける素早い学習によって動機づけられた画像レベルの視覚領域プロンプトを,ソースモデルパラメータを凍結させながら学習することを提案する。
  論文  参考訳（メタデータ） (2022-12-08T08:56:02Z)
• Source-Free Domain Adaptation via Distribution Estimation [106.48277721860036]
  ドメイン適応は、ラベル付きソースドメインから学んだ知識を、データ分散が異なるラベル付きターゲットドメインに転送することを目的としています。 近年,ソースフリードメイン適応 (Source-Free Domain Adaptation, SFDA) が注目されている。 本研究では,SFDA-DEと呼ばれる新しいフレームワークを提案し,ソース分布推定によるSFDAタスクに対処する。
  論文  参考訳（メタデータ） (2022-04-24T12:22:19Z)
• Instance Relation Graph Guided Source-Free Domain Adaptive Object Detection [79.89082006155135]
  教師なしドメイン適応(Unsupervised Domain Adaptation, UDA)は、ドメインシフトの問題に取り組むための効果的なアプローチである。 UDAメソッドは、ターゲットドメインの一般化を改善するために、ソースとターゲット表現を整列させようとする。 Source-Free Adaptation Domain (SFDA)設定は、ソースデータへのアクセスを必要とせずに、ターゲットドメインに対してソーストレーニングされたモデルを適用することで、これらの懸念を軽減することを目的としている。
  論文  参考訳（メタデータ） (2022-03-29T17:50:43Z)
• AFAN: Augmented Feature Alignment Network for Cross-Domain Object Detection [90.18752912204778]
  オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。 本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。 提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2021-06-10T05:01:20Z)

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。