論文の概要: MetaDAT: Generalizable Trajectory Prediction via Meta Pre-training and Data-Adaptive Test-Time Updating

• arxiv url: http://arxiv.org/abs/2603.09419v1
• Date: Tue, 10 Mar 2026 09:34:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-11 15:25:24.207436
• Title: MetaDAT: Generalizable Trajectory Prediction via Meta Pre-training and Data-Adaptive Test-Time Updating
• Title（参考訳）: MetaDAT: メタ事前トレーニングとデータ適応テスト時間更新による一般化可能な軌道予測
• Authors: Yuning Wang, Pu Zhang, Yuan He, Ke Wang, Jianru Xue,
• Abstract要約: 既存の軌道予測法では, 試験時間における分布変化による性能劣化が顕著である。 高速かつ正確なオンライン適応のための予測器を直接最適化するメタラーニングフレームワークを提案する。 テスト時に、オンライン部分微分とハードサンプル選択に基づいて学習率を動的に調整し、周波数を更新するデータ適応モデル更新機構を導入する。 その結果,提案手法は軌道予測のための最先端の試験時間トレーニング手法を超越し,適応精度が向上することを示した。
• 参考スコア（独自算出の注目度）: 18.84791793147564
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Existing trajectory prediction methods exhibit significant performance degradation under distribution shifts during test time. Although test-time training techniques have been explored to enable adaptation, current approaches rely on an offline pre-trained predictor that lacks online learning flexibility. Moreover, they depend on fixed online model updating rules that do not accommodate the specific characteristics of test data. To address these limitations, we first propose a meta-learning framework to directly optimize the predictor for fast and accurate online adaptation, which performs bi-level optimization on the performance of simulated test-time adaptation tasks during pre-training. Furthermore, at test time, we introduce a data-adaptive model updating mechanism that dynamically adjusts the predefined learning rates and updating frequencies based on online partial derivatives and hard sample selection. This mechanism enables the online learning rate to suit the test data, and focuses on informative hard samples to enhance efficiency. Experiments are conducted on various challenging cross-dataset distribution shift scenarios, including nuScenes, Lyft, and Waymo. Results demonstrate that our method achieves superior adaptation accuracy, surpassing state-of-the-art test-time training methods for trajectory prediction. Additionally, our method excels under suboptimal learning rates and high FPS demands, showcasing its robustness and practicality.
• Abstract（参考訳）: 既存の軌道予測法では, 試験時間における分布変化による性能劣化が顕著である。 テスト時のトレーニングテクニックは適応を可能にするために検討されているが、現在のアプローチはオンライン学習の柔軟性に欠けるオフラインのトレーニング済み予測器に依存している。 さらに、それらはテストデータの特定の特性に適合しない固定されたオンラインモデル更新ルールに依存している。 これらの制約に対処するために,我々はまず,事前学習中の模擬テスト時間適応タスクの性能を2段階に最適化する,高速かつ正確なオンライン適応のための予測器を直接最適化するメタラーニングフレームワークを提案する。 さらに、テスト時には、予め定義された学習率を動的に調整し、オンライン部分微分とハードサンプル選択に基づいて周波数を更新するデータ適応モデル更新機構を導入する。 このメカニズムにより、オンライン学習率がテストデータに適合し、情報のハードサンプルに重点を置いて効率を高めることができる。 nuScenes、Lyft、Waymoなど、さまざまな挑戦的なデータセット間の分散シフトシナリオで実験が行われている。 その結果,提案手法は軌道予測のための最先端の試験時間トレーニング手法を超越し,適応精度が向上することを示した。 さらに,本手法は,最適学習率と高いFPS要求下では優れており,その堅牢性と実用性を示している。

関連論文リスト

• AdaLRS: Loss-Guided Adaptive Learning Rate Search for Efficient Foundation Model Pretraining [12.630306478872043]
  オンライン最適学習率探索を行うプラグイン・アンド・プレイ適応学習率探索アルゴリズムである textbfAdaLRS を提案する。 実験により,AdaLRSは最適近傍の最適学習率を顕著な効率と有効性で調整することが示された。
  論文  参考訳（メタデータ） (2025-06-16T09:14:01Z)
• VITA: Zero-Shot Value Functions via Test-Time Adaptation of Vision-Language Models [49.78447737655287]
  VITAはゼロショット値関数学習法であり、テスト時間適応によって両方の能力を増強する。 オフライン強化学習において,VITAのゼロショット値推定が報酬形成に有効であることを示す。
  論文  参考訳（メタデータ） (2025-06-11T18:05:33Z)
• Forecast-PEFT: Parameter-Efficient Fine-Tuning for Pre-trained Motion Forecasting Models [68.23649978697027]
  Forecast-PEFTは、モデルのパラメータの大部分を凍結し、新しく導入されたプロンプトとアダプタの調整に集中する微調整戦略である。 実験の結果,Forecast-PEFTは動作予測タスクにおいて従来のフルチューニング手法よりも優れていた。 Forecast-FTは予測性能をさらに改善し、従来のベースライン法よりも最大9.6%向上した。
  論文  参考訳（メタデータ） (2024-07-28T19:18:59Z)
• Towards An Online Incremental Approach to Predict Students Performance [0.8287206589886879]
  本稿では,オンライン分類器を更新するためのメモリベースのオンラインインクリメンタル学習手法を提案する。 提案手法は,現在の最先端技術と比較して10%近く向上し,モデル精度の顕著な向上を実現している。
  論文  参考訳（メタデータ） (2024-05-03T17:13:26Z)
• 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)
• Learning to Adapt to Online Streams with Distribution Shifts [22.155844301575883]
  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、トレーニングセットとテストセットの間の分散ギャップを低減する手法である。 この作業では、TTAをより実践的なシナリオに拡張し、テストデータは、時間とともに分散の変化を経験するオンラインストリームの形式で提供される。 本稿では,メタトレーニング中にネットワークに分散シフトするオンラインストリームに適応するように教えるメタラーニング手法を提案する。その結果,トレーニングされたモデルはバッチサイズ制限にかかわらず,テスト中の分散シフトに連続的に適応することができる。
  論文  参考訳（メタデータ） (2023-03-02T23:36:10Z)
• DELTA: degradation-free fully test-time adaptation [59.74287982885375]
  テスト時間バッチ正規化(BN)や自己学習といった,一般的な適応手法では,2つの好ましくない欠陥が隠されていることがわかった。 まず、テスト時間BNにおける正規化統計は、現在受信されているテストサンプルに完全に影響され、その結果、不正確な推定結果が得られることを明らかにする。 第二に、テスト時間適応中にパラメータ更新が支配的なクラスに偏っていることを示す。
  論文  参考訳（メタデータ） (2023-01-30T15:54:00Z)
• 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)

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。