論文の概要: One Pool Is Not Enough: Multi-Cluster Memory for Practical Test-Time Adaptation

• arxiv url: http://arxiv.org/abs/2603.21135v1
• Date: Sun, 22 Mar 2026 09:14:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.252414
• Title: One Pool Is Not Enough: Multi-Cluster Memory for Practical Test-Time Adaptation
• Title（参考訳）: ひとつのプールが十分ではない: 実践的なテスト時間適応のためのマルチクラスタメモリ
• Authors: Yu-Wen Tseng, Xingyi Zheng, Ya-Chen Wu, I-Bin Liao, Yung-Hui Li, Hong-Han Shuai, Wen-Huang Cheng,
• Abstract要約: テスト時間適応(TTA)は、未ラベルのテストデータのみを使用して、推論時の分散シフトに事前訓練されたモデルを適用する。 既存の方法は、アンプを単一の非構造化プールに普遍的に格納する。 ストリームクラスタビリティ解析により,テストストリームが本質的にマルチモーダルであることを明らかにした。 本稿では,MCM(Multi-Cluster Memory)を提案する。MCM(Multi-Cluster Memory)は,軽量な画素レベルの統計記述子を用いて,格納されたサンプルを複数のクラスタにまとめるプラグイン・アンド・プレイフレームワークである。
• 参考スコア（独自算出の注目度）: 35.22034605613832
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Test-time adaptation (TTA) adapts pre-trained models to distribution shifts at inference using only unlabeled test data. Under the Practical TTA (PTTA) setting, where test streams are temporally correlated and non-i.i.d., memory has become an indispensable component for stable adaptation, yet existing methods universally store amples in a single unstructured pool. We show that this single-cluster design is fundamentally mismatched to PTTA: a stream clusterability analysis reveals that test streams are inherently multi-modal, with the optimal number of mixture components consistently far exceeding one. To close this structural gap, we propose Multi-Cluster Memory (MCM), a plug-and-play framework that organizes stored samples into multiple clusters using lightweight pixel-level statistical descriptors. MCM introduces three complementary mechanisms: descriptor-based cluster assignment to capture distinct distributional modes, Adjacent Cluster Consolidation (ACC) to bound memory usage by merging the most similar temporally adjacent clusters, and Uniform Cluster Retrieval (UCR) to ensure balanced supervision across all modes during adaptation. Integrated with three contemporary TTA methods on CIFAR-10-C, CIFAR-100-C, ImageNet-C, and DomainNet, MCM achieves consistent improvements across all 12 configurations, with gains up to 5.00% on ImageNet-C and 12.13% on DomainNet. Notably, these gains scale with distributional complexity: larger label spaces with greater multi-modality benefit most from multi-cluster organization. GMM-based memory diagnostics further confirm that MCM maintains near-optimal distributional balance, entropy, and mode coverage, whereas single-cluster memory exhibits persistent imbalance and progressive mode loss. These results establish memory organization as a key design axis for practical test-time adaptation.
• Abstract（参考訳）: テスト時間適応(TTA)は、未ラベルのテストデータのみを使用して、推論時の分散シフトに事前訓練されたモデルを適用する。 Practical TTA (PTTA) では、テストストリームは時間的相関があり、つまりメモリは安定した適応には不可欠だが、既存の手法では単一の非構造化プールにアンプを普遍的に格納している。 ストリームクラスタビリティ解析により、テストストリームは本質的にマルチモーダルであり、混合成分の最適数が一貫して1を超えていることが判明した。 この構造的ギャップを埋めるために,軽量な画素レベルの統計記述子を用いて,格納されたサンプルを複数のクラスタにまとめるプラグイン・アンド・プレイ・フレームワークであるMCMを提案する。 MCMは、異なる分散モードをキャプチャするディスクリプタベースのクラスタ割り当て、最も類似した時間的隣接クラスタをマージしてメモリ使用をバウンドするAdjacent Cluster Consolidation(ACC)、適応中のすべてのモードをバランスよく監視するUniform Cluster Retrieval(UCR)の3つの補完メカニズムを導入している。 CIFAR-10-C、CIFAR-100-C、ImageNet-C、DomainNetの3つの現代的なTTAメソッドと統合されたMCMは、すべての12構成で一貫した改善を実現し、ImageNet-Cでは最大5.00%、DomainNetでは12.13%となる。 より大きなラベル空間は、より大きなマルチ・モダリティを持つが、ほとんどの場合、マルチ・クラスタ・オーガナイゼーションの恩恵を受ける。 GMMベースのメモリ診断では、MCMがほぼ最適分布バランス、エントロピー、モードカバレッジを維持しているのに対して、シングルクラスタメモリは永続的な不均衡とプログレッシブモード損失を示している。 これらの結果は,テスト時間適応のための重要な設計軸として記憶機構を確立する。

関連論文リスト

• CSMCIR: CoT-Enhanced Symmetric Alignment with Memory Bank for Composed Image Retrieval [54.15776146365823]
  Composed Image Retrieval (CIR)では、ユーザーは参照画像と操作テキストの両方を使用してターゲットイメージを検索できる。 CSMCIRは3つの相乗的コンポーネントを通して効率的なクエリターゲットアライメントを実現する統一表現フレームワークである。
  論文  参考訳（メタデータ） (2026-01-07T09:21:38Z)
• Federated Multi-Task Clustering [44.73672172790804]
  本稿では,Federated Multi-Task Clustering(FMTC)という新しいフレームワークを提案する。 クライアント側パーソナライズされたクラスタリングモジュールとサーバ側テンソル相関モジュールの2つの主要コンポーネントで構成されている。 乗算器の交互方向法に基づく,効率的なプライバシ保護分散アルゴリズムを導出する。
  論文  参考訳（メタデータ） (2025-12-28T12:02:32Z)
• You Can Trust Your Clustering Model: A Parameter-free Self-Boosting Plug-in for Deep Clustering [73.48306836608124]
  DCBoostはパラメータフリーのプラグインで、現在のディープクラスタリングモデルのグローバルな特徴構造を強化するように設計されている。 本手法は, クラスタリング性能を効果的に向上することを目的としている。
  論文  参考訳（メタデータ） (2025-11-26T09:16:36Z)
• DPMM-CFL: Clustered Federated Learning via Dirichlet Process Mixture Model Nonparametric Clustering [8.645893961456801]
  クラスタ化されたフェデレートラーニングは、非IIDクライアントの不均一性の下でのパフォーマンスを改善する。 ほとんどのCFL法は、プリオリを固定するためにクラスターKの数を必要とする。 本稿では,クラスタパラメータの分布に先立ってディリクレプロセス(DP)を配置するCFLアルゴリズムDPMM-CFLを提案する。
  論文  参考訳（メタデータ） (2025-10-08T15:27:08Z)
• Learning Discrete Bayesian Networks with Hierarchical Dirichlet Shrinkage [52.914168158222765]
  我々はDBNを学習するための包括的なベイズ的フレームワークについて詳述する。 我々は、並列ランゲヴィン提案を用いてマルコフ連鎖モンテカルロ(MCMC)アルゴリズムを新たに提案し、正確な後続サンプルを生成する。 原発性乳癌検体から予後ネットワーク構造を明らかにするために本手法を適用した。
  論文  参考訳（メタデータ） (2025-09-16T17:24:35Z)
• DiTMoS: Delving into Diverse Tiny-Model Selection on Microcontrollers [34.282971510732736]
  我々は、セレクタ分類器アーキテクチャを備えた新しいDNNトレーニングおよび推論フレームワークであるDiTMoSを紹介する。 弱いモデルの合成は高い多様性を示すことができ、それらの結合は精度の上限を大幅に高めることができる。 我々は,Nucleo STM32F767ZIボード上にDiTMoSをデプロイし,人間の活動認識,キーワードスポッティング,感情認識のための時系列データセットに基づいて評価する。
  論文  参考訳（メタデータ） (2024-03-14T02:11:38Z)
• Efficient and Effective Deep Multi-view Subspace Clustering [9.6753782215283]
  E$2$MVSC(Efficient and Effective Deep Multi-View Subspace Clustering)と呼ばれる新しいディープフレームワークを提案する。 パラメータ化されたFC層の代わりに、より計算効率のよいサンプル数からネットワークパラメータスケールを分離するRelation-Metric Netを設計する。 E$2$MVSCは既存のメソッドに匹敵する結果を出し、様々なタイプのマルチビューデータセット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） (2023-10-15T03:08:25Z)
• Self-Learning Symmetric Multi-view Probabilistic Clustering [35.96327818838784]
  マルチビュークラスタリング(MVC)は、複数の視点から知識を学ぶための多くの取り組みによって、大きな進歩を遂げている。 既存のほとんどのメソッドは適用できないか、あるいは不完全なMVCに追加の手順を必要とする。 自己学習対称多視点確率クラスタリングという,不完全かつ完全なMVCのための新しい統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-12T08:27:03Z)
• Adaptively-weighted Integral Space for Fast Multiview Clustering [54.177846260063966]
  線形複雑度に近い高速マルチビュークラスタリングのための適応重み付き積分空間(AIMC)を提案する。 特に、ビュー生成モデルは、潜在積分空間からのビュー観測を再構成するために設計されている。 いくつかの実世界のデータセットで実施された実験は、提案したAIMC法の優位性を確認した。
  論文  参考訳（メタデータ） (2022-08-25T05:47:39Z)
• Late Fusion Multi-view Clustering via Global and Local Alignment Maximization [61.89218392703043]
  マルチビュークラスタリング(MVC)は、異なるビューからの補完情報を最適に統合し、クラスタリング性能を改善する。 既存のアプローチの多くは、クラスタリングに最適な類似性行列を学ぶために、複数の事前定義された類似性を直接融合する。 これらの問題に対処するために、アライメントを通してレイトフュージョンMVCを提案する。
  論文  参考訳（メタデータ） (2022-08-02T01:49:31Z)

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。