論文の概要: Adaptive and Balanced Re-initialization for Long-timescale Continual Test-time Domain Adaptation

• arxiv url: http://arxiv.org/abs/2602.06328v1
• Date: Fri, 06 Feb 2026 02:53:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-09 22:18:26.198285
• Title: Adaptive and Balanced Re-initialization for Long-timescale Continual Test-time Domain Adaptation
• Title（参考訳）: 長期連続テスト時間領域適応のための適応的・平衡的再初期化
• Authors: Yanshuo Wang, Jinguang Tong, Jun Lan, Weiqiang Wang, Huijia Zhu, Haoxing Chen, Xuesong Li, Jie Hong,
• Abstract要約: 連続的なテスト時間ドメイン適応は、モデルを調整することを目的としており、非定常環境において、時間とともにうまく機能するようにしている。 モデルは、長期間にわたって継続的に変化する環境に適応できるだろうか? 本稿では,ABR(Adaptive-and-Balanced Re-initialization)を提案する。
• 参考スコア（独自算出の注目度）: 27.967679954595123
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Continual test-time domain adaptation (CTTA) aims to adjust models so that they can perform well over time across non-stationary environments. While previous methods have made considerable efforts to optimize the adaptation process, a crucial question remains: Can the model adapt to continually changing environments over a long time? In this work, we explore facilitating better CTTA in the long run using a re-initialization (or reset) based method. First, we observe that the long-term performance is associated with the trajectory pattern in label flip. Based on this observed correlation, we propose a simple yet effective policy, Adaptive-and-Balanced Re-initialization (ABR), towards preserving the model's long-term performance. In particular, ABR performs weight re-initialization using adaptive intervals. The adaptive interval is determined based on the change in label flip. The proposed method is validated on extensive CTTA benchmarks, achieving superior performance.
• Abstract（参考訳）: 連続テスト時間領域適応(CTTA)は、非定常環境において、時間とともにうまく機能するようにモデルを調整することを目的としている。 従来の手法は適応プロセスの最適化に多大な努力をしてきたが、重要な疑問が残る。 本研究では,再初期化法(リセット法)を用いたCTTAの長期的高速化について検討する。 まず,長期的性能がラベルフリップの軌跡パターンと関連していることを示す。 この相関関係に基づいて,モデルの性能を長期保存する上で,適応型再初期化(Adaptive-and-Balanced Re-initialization, ABR)を提案する。 特に、ABRは適応間隔を用いて重み再初期化を行う。 ラベルフリップの変化に基づいて適応間隔を決定する。 提案手法は広範囲なCTTAベンチマークで検証され,優れた性能が得られた。

関連論文リスト

• Maintain Plasticity in Long-timescale Continual Test-time Adaptation [25.795708177210876]
  連続的なテスト時間領域適応は、訓練済みのソースモデルを調整することを目的としており、静止しないターゲット環境において、時間とともにうまく機能する。 可塑性は、非定常環境に対する予測を継続的に調整するモデルの能力を指す。 モデルの可塑性を維持するため, 単純かつ効果的なアダプティブ・スリンク・リストア(ASR)を提案する。
  論文  参考訳（メタデータ） (2024-12-28T05:47:40Z)
• Self-Augmented Preference Optimization: Off-Policy Paradigms for Language Model Alignment [104.18002641195442]
  既存のペアデータを必要としない、効果的でスケーラブルなトレーニングパラダイムである自己拡張型優先度最適化(SAPO)を導入する。 負の反応を自律的に生成するセルフプレイの概念に基づいて、我々はさらに、データ探索とエクスプロイトを強化するために、非政治的な学習パイプラインを組み込む。
  論文  参考訳（メタデータ） (2024-05-31T14:21:04Z)
• Test-Time Model Adaptation with Only Forward Passes [68.11784295706995]
  テストタイム適応は、トレーニング済みのモデルを、潜在的に分布シフトのある未確認テストサンプルに適応させるのに有効であることが証明されている。 テスト時間フォワード最適化適応法(FOA)を提案する。 FOAは量子化された8ビットのViTで動作し、32ビットのViTで勾配ベースのTENTより優れ、ImageNet-Cで最大24倍のメモリ削減を実現する。
  論文  参考訳（メタデータ） (2024-04-02T05:34:33Z)
• Fast-Slow Test-Time Adaptation for Online Vision-and-Language Navigation [67.18144414660681]
  オンラインビジョン・アンド・ランゲージナビゲーション(VLN)のためのFSTTA(Fast-Slow Test-Time Adaptation)アプローチを提案する。 提案手法は,4つのベンチマークにおいて顕著な性能向上を実現する。
  論文  参考訳（メタデータ） (2023-11-22T07:47:39Z)
• AR-TTA: A Simple Method for Real-World Continual Test-Time Adaptation [1.4530711901349282]
  本稿では,自律運転のためのデータセット,すなわちCLAD-CとShiFTを用いたテスト時間適応手法の検証を提案する。 現在のテスト時間適応手法は、ドメインシフトの様々な程度を効果的に扱うのに苦労している。 モデル安定性を高めるために、小さなメモリバッファを組み込むことで、確立された自己学習フレームワークを強化する。
  論文  参考訳（メタデータ） (2023-09-18T19:34:23Z)
• RDumb: A simple approach that questions our progress in continual test-time adaptation [12.374649969346441]
  テスト時間適応(TTA)では、事前トレーニングされたモデルをデプロイ時にデータ配布を変更するように更新することができる。 近年の長期にわたる連続的適応手法の提案と適用方法が提案されている。 最終的には、最先端の1つのメソッド以外はすべて崩壊し、非適応モデルよりもパフォーマンスが悪くなることに気付きました。
  論文  参考訳（メタデータ） (2023-06-08T17:52:34Z)
• Event-Triggered Time-Varying Bayesian Optimization [47.30677525394649]
  本稿では,対象関数の変化を検出してデータセットをリセットするまで,最適化問題を静的に扱うイベントトリガーアルゴリズムET-GP-UCBを提案する。 これにより、アルゴリズムは正確な事前知識を必要とせずに、オンラインで時間変化を実現することができる。 時間的変化を正確に知ることなく、適応的リセットに対する後悔境界を導出し、ET-GP-UCBが合成データと実世界のデータの両方で競合するGP-UCBアルゴリズムより優れていることを示す数値実験を行った。
  論文  参考訳（メタデータ） (2022-08-23T07:50:52Z)

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。