論文の概要: Uncover and Unlearn Nuisances: Agnostic Fully Test-Time Adaptation

• arxiv url: http://arxiv.org/abs/2511.12491v1
• Date: Sun, 16 Nov 2025 08:01:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 18:52:09.587859
• Title: Uncover and Unlearn Nuisances: Agnostic Fully Test-Time Adaptation
• Title（参考訳）: Uncover and Unlearn Nuisances: Agnostic Fully Test-Time Adaptation
• Authors: Ponhvoan Srey, Yaxin Shi, Hangwei Qian, Jing Li, Ivor W. Tsang,
• Abstract要約: FTTA(Fully Test-Time Adaptation)は、トレーニング済みモデルのソースデータやトレーニングプロトコルにアクセスせずに、ドメインシフトに対処する。 FTTAでは、トレーニングデータや予測不可能なターゲットドメインが存在しないため、ソースとターゲットの特徴分布を調整する従来の戦略は実現不可能である。 本稿では,テスト期間中に市販のドメイン変換を利用できる新しい定式化としてAgnostic FTTAを提案する。
• 参考スコア（独自算出の注目度）: 46.46865123564661
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fully Test-Time Adaptation (FTTA) addresses domain shifts without access to source data and training protocols of the pre-trained models. Traditional strategies that align source and target feature distributions are infeasible in FTTA due to the absence of training data and unpredictable target domains. In this work, we exploit a dual perspective on FTTA, and propose Agnostic FTTA (AFTTA) as a novel formulation that enables the usage of off-the-shelf domain transformations during test-time to enable direct generalization to unforeseeable target data. To address this, we develop an uncover-and-unlearn approach. First, we uncover potential unwanted shifts between source and target domains by simulating them through predefined mappings and consider them as nuisances. Then, during test-time prediction, the model is enforced to unlearn these nuisances by regularizing the consequent shifts in latent representations and label predictions. Specifically, a mutual information-based criterion is devised and applied to guide nuisances unlearning in the feature space and encourage confident and consistent prediction in label space. Our proposed approach explicitly addresses agnostic domain shifts, enabling superior model generalization under FTTA constraints. Extensive experiments on various tasks, involving corruption and style shifts, demonstrate that our method consistently outperforms existing approaches.
• Abstract（参考訳）: FTTA(Fully Test-Time Adaptation)は、トレーニング済みモデルのソースデータやトレーニングプロトコルにアクセスせずに、ドメインシフトに対処する。 FTTAでは、トレーニングデータや予測不可能なターゲットドメインが存在しないため、ソースとターゲットの特徴分布を調整する従来の戦略は実現不可能である。 本研究では,FTTA の双対的視点を生かし,未確認対象データへの直接一般化を可能にするために,テスト期間中の既製のドメイン変換を使用できる新しい定式化法として FTTA (Agnostic FTTA) を提案する。 この問題に対処するために、未発見のアプローチを開発します。 まず、事前に定義されたマッピングを通してそれらをシミュレートすることで、ソースドメインとターゲットドメイン間の潜在的な望ましくないシフトを発見し、それらをニュアンスとみなす。 そして、テスト時間予測において、潜在表現の連続的なシフトとラベル予測を規則化し、これらの疑問を解き放つようにモデルを強制する。 具体的には、相互情報に基づく基準を考案し、特徴空間における学習をガイドし、ラベル空間における自信と一貫性のある予測を促進するために適用する。 提案手法は非依存領域シフトに明示的に対応し,FTTA制約下での優れたモデル一般化を実現する。 汚職やスタイルシフトを含む様々なタスクに関する大規模な実験は、我々の手法が既存の手法より一貫して優れていることを実証している。

関連論文リスト

• Backpropagation-Free Test-Time Adaptation via Probabilistic Gaussian Alignment [16.352863226512984]
  テスト時間適応(TTA)は、推論中にラベルのないテストデータを活用することにより、分散シフト下でのゼロショットロバスト性を高める。 ほとんどのメソッドは、スケーラビリティを制限し、リアルタイムデプロイメントを妨げるバックプロパゲーションや反復最適化に依存しています。 本稿では,Advanced Distribution-AwareとBack propagation-free Test-time Adapting法であるADAPTを提案する。
  論文  参考訳（メタデータ） (2025-08-21T13:42:49Z)
• Uncertainty-guided Source-free Domain Adaptation [77.3844160723014]
  ソースフリードメイン適応(SFDA)は、事前訓練されたソースモデルのみを使用することで、未ラベルのターゲットデータセットに分類器を適応させることを目的としている。 本稿では、ソースモデル予測の不確実性を定量化し、ターゲット適応の導出に利用することを提案する。
  論文  参考訳（メタデータ） (2022-08-16T08:03:30Z)
• 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)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• A Curriculum-style Self-training Approach for Source-Free Semantic Segmentation [91.13472029666312]
  ソースフリーなドメイン適応型セマンティックセマンティックセグメンテーションのためのカリキュラムスタイルの自己学習手法を提案する。 提案手法は, ソースフリーなセマンティックセグメンテーションタスクにおいて, 合成-実-実-実-実-実-実-非実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実
  論文  参考訳（メタデータ） (2021-06-22T10:21:39Z)
• Source Data-absent Unsupervised Domain Adaptation through Hypothesis Transfer and Labeling Transfer [137.36099660616975]
  Unsupervised Adapt Adaptation (UDA) は、関連性のある異なるラベル付きソースドメインから新しいラベルなしターゲットドメインへの知識の転送を目標としている。 既存のudaメソッドの多くはソースデータへのアクセスを必要としており、プライバシ上の懸念からデータが機密で共有できない場合は適用できない。 本稿では、ソースデータにアクセスする代わりに、トレーニング済みの分類モデルのみを用いて現実的な設定に取り組むことを目的とする。
  論文  参考訳（メタデータ） (2020-12-14T07:28:50Z)

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。