論文の概要: Matching High-Dimensional Geometric Quantiles for Test-Time Adaptation of Transformers and Convolutional Networks Alike

• arxiv url: http://arxiv.org/abs/2601.11022v1
• Date: Fri, 16 Jan 2026 06:36:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-19 20:21:50.377408
• Title: Matching High-Dimensional Geometric Quantiles for Test-Time Adaptation of Transformers and Convolutional Networks Alike
• Title（参考訳）: 変圧器と畳み込み網の試験時間適応のための高次元幾何量子のマッチング
• Authors: Sravan Danda, Aditya Challa, Shlok Mehendale, Snehanshu Saha,
• Abstract要約: テストタイム適応(TTA)とは、テストデータの確率分布がモデルのトレーニングデータとわずかに異なる場合に、テストデータの分類器を適用することを指す。 本稿では,その分類に適した入力画像の事前処理を行うアダプタネットワークを追加することで,TTAに対するアーキテクチャに依存しないアプローチを提案する。 理論的には、量子損失を最小限に抑えた適切な条件下で最適なアダプタを学習できることが証明される。
• 参考スコア（独自算出の注目度）: 2.472770436480857
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Test-time adaptation (TTA) refers to adapting a classifier for the test data when the probability distribution of the test data slightly differs from that of the training data of the model. To the best of our knowledge, most of the existing TTA approaches modify the weights of the classifier relying heavily on the architecture. It is unclear as to how these approaches are extendable to generic architectures. In this article, we propose an architecture-agnostic approach to TTA by adding an adapter network pre-processing the input images suitable to the classifier. This adapter is trained using the proposed quantile loss. Unlike existing approaches, we correct for the distribution shift by matching high-dimensional geometric quantiles. We prove theoretically that under suitable conditions minimizing quantile loss can learn the optimal adapter. We validate our approach on CIFAR10-C, CIFAR100-C and TinyImageNet-C by training both classic convolutional and transformer networks on CIFAR10, CIFAR100 and TinyImageNet datasets.
• Abstract（参考訳）: テストタイム適応(TTA)とは、テストデータの確率分布がモデルのトレーニングデータとわずかに異なる場合に、テストデータの分類器を適用することを指す。 私たちの知る限りでは、既存のTTAアプローチのほとんどは、アーキテクチャに大きく依存する分類器の重みを変更します。 これらのアプローチがどのようにジェネリックアーキテクチャに拡張できるかは不明だ。 本稿では,分類器に適した入力画像の事前処理を行うアダプタネットワークを追加することで,TTAに対するアーキテクチャに依存しないアプローチを提案する。 このアダプタは、提案した量子損失を用いて訓練される。 既存の手法とは異なり、高次元幾何量体をマッチングすることで分布シフトを補正する。 理論的には、量子損失を最小限に抑えた適切な条件下で最適なアダプタを学習できることが証明される。 CIFAR10-C, CIFAR100-C, TinyImageNet-Cへのアプローチを, CIFAR10, CIFAR100, TinyImageNetデータセット上の古典的畳み込みネットワークと変圧器ネットワークの両方をトレーニングすることで検証した。

関連論文リスト

• Towards Generalizable AI-Generated Image Detection via Image-Adaptive Prompt Learning [33.269644831847636]
  画像適応型プロンプト学習(IAPL)は、学習後に修正するのではなく、各入力画像に応じてプロンプトを調整する新しいパラダイムである。 IAPLは、広く使われているUniversalFakeDetectとGenImageデータセットで95.61%と96.7%の精度で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-08-03T05:41:24Z)
• Benchmarking Test-Time Adaptation against Distribution Shifts in Image Classification [77.0114672086012]
  テスト時間適応(TTA)は、予測時にのみラベルのないサンプルを活用することにより、モデルの一般化性能を向上させる技術である。 本稿では,広く使用されている5つの画像分類データセット上で,13のTTA手法とその変種を体系的に評価するベンチマークを提案する。
  論文  参考訳（メタデータ） (2023-07-06T16:59:53Z)
• Feature transforms for image data augmentation [74.12025519234153]
  画像分類において、多くの拡張アプローチは単純な画像操作アルゴリズムを利用する。 本研究では,14種類の拡張アプローチを組み合わせて生成した画像を追加することで,データレベルでのアンサンブルを構築する。 事前トレーニングされたResNet50ネットワークは、各拡張メソッドから派生した画像を含むトレーニングセットに基づいて微調整される。
  論文  参考訳（メタデータ） (2022-01-24T14:12:29Z)
• Graph Sampling Based Deep Metric Learning for Generalizable Person Re-Identification [114.56752624945142]
  我々は、最も一般的なランダムサンプリング手法である有名なpkサンプリングは、深層メトリック学習にとって有益で効率的ではないと主張する。 大規模計量学習のためのグラフサンプリング(GS)と呼ばれる効率的なミニバッチサンプリング手法を提案する。
  論文  参考訳（メタデータ） (2021-04-04T06:44:15Z)
• Augmentation Inside the Network [1.5260179407438161]
  本稿では,コンピュータビジョン問題に対するデータ拡張手法をシミュレートする手法であるネットワーク内の拡張について述べる。 本稿では,画像分類のためのImageNet-2012およびCIFAR-100データセットについて検証する。
  論文  参考訳（メタデータ） (2020-12-19T20:07:03Z)
• FeatMatch: Feature-Based Augmentation for Semi-Supervised Learning [64.32306537419498]
  本稿では,複雑な変換を多様に生成する特徴量に基づく改良・拡張手法を提案する。 これらの変換は、クラスタリングを通じて抽出したクラス内およびクラス間の両方の情報も利用します。 提案手法は,大規模データセットにスケールアップしながら,より小さなデータセットに対して,現在の最先端技術に匹敵するものであることを実証する。
  論文  参考訳（メタデータ） (2020-07-16T17:55:31Z)
• Learning to Learn Parameterized Classification Networks for Scalable Input Images [76.44375136492827]
  畳み込みニューラルネットワーク(CNN)は、入力解像度の変化に関して予測可能な認識動作を持たない。 我々はメタラーナーを用いて、様々な入力スケールのメインネットワークの畳み込み重みを生成する。 さらに、異なる入力解像度に基づいて、モデル予測よりもフライでの知識蒸留を利用する。
  論文  参考訳（メタデータ） (2020-07-13T04:27:25Z)
• Tent: Fully Test-time Adaptation by Entropy Minimization [77.85911673550851]
  モデルは、テスト中に新しいデータや異なるデータに一般化するように適応する必要があります。 この完全なテスト時間適応の設定では、モデルはテストデータとそれ自身のパラメータしか持たない。 実験エントロピー最小化(tent): 予測のエントロピーによって測定された信頼度に対するモデルを最適化する。
  論文  参考訳（メタデータ） (2020-06-18T17:55:28Z)
• Radon cumulative distribution transform subspace modeling for image classification [18.709734704950804]
  画像変形モデルの幅広いクラスに適用可能な新しい教師付き画像分類法を提案する。 この方法は、画像データに先述のRandon Cumulative Distribution Transform(R-CDT)を用いる。 テスト精度の向上に加えて,計算効率の向上も示す。
  論文  参考訳（メタデータ） (2020-04-07T19:47:26Z)

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。