論文の概要: Adapting in the Dark: Efficient and Stable Test-Time Adaptation for Black-Box Models

• arxiv url: http://arxiv.org/abs/2604.15609v1
• Date: Fri, 17 Apr 2026 01:13:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:19.694166
• Title: Adapting in the Dark: Efficient and Stable Test-Time Adaptation for Black-Box Models
• Title（参考訳）: 暗黒における適応:ブラックボックスモデルに対する効率的かつ安定なテスト時間適応
• Authors: Yunbei Zhang, Shuaicheng Niu, Chengyi Cai, Feng Liu, Jihun Hamm,
• Abstract要約: BETA(Black-box Efficient Test-time Adaptation)は,APIコールを追加せずに安定した適応と,標準推論を超える無視可能なレイテンシを実現するフレームワークである。 商用APIでは、リアルタイムの推論速度を維持しながら、250倍のコストでZOOに匹敵するパフォーマンスを実現している。
• 参考スコア（独自算出の注目度）: 22.051819827452444
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Test-Time Adaptation (TTA) for black-box models accessible only via APIs remains a largely unexplored challenge. Existing approaches such as post-hoc output refinement offer limited adaptive capacity, while Zeroth-Order Optimization (ZOO) enables input-space adaptation but faces high query costs and optimization challenges in the unsupervised TTA setting. We introduce BETA (Black-box Efficient Test-time Adaptation), a framework that addresses these limitations by employing a lightweight, local white-box steering model to create a tractable gradient pathway. Through a prediction harmonization technique combined with consistency regularization and prompt learning-oriented filtering, BETA enables stable adaptation with no additional API calls and negligible latency beyond standard inference. On ImageNet-C, BETA achieves a +7.1% accuracy gain on ViT-B/16 and +3.4% on CLIP, surpassing strong white-box and gray-box methods including TENT and TPT. On a commercial API, BETA achieves comparable performance to ZOO at 250x lower cost while maintaining real-time inference speed, establishing it as a practical and efficient solution for real-world black-box TTA.
• Abstract（参考訳）: API経由でのみアクセス可能なブラックボックスモデルのTTA(Test-Time Adaptation)は、まだ探索されていない課題である。 一方、ZOO(Zeroth-Order Optimization)は入力空間適応を実現するが、教師なしのTTA設定では高いクエリコストと最適化の課題に直面している。 BETA(Black-box Efficient Test-Time Adaptation)は、軽量でローカルなホワイトボックスステアリングモデルを用いて、トラクタブルな勾配経路を作成することで、これらの制限に対処するフレームワークである。 一貫性の正則化と学習指向フィルタリングを併用した予測調和技術により、BETAはAPIコールを追加せずに安定した適応と標準推論以上の無視可能なレイテンシを実現する。 ImageNet-Cでは、VT-B/16では+7.1%、CLIPでは+3.4%の精度向上を実現し、TENTやTPTといった強力なホワイトボックスやグレーボックスメソッドを上回っている。 商用APIでは、リアルタイムの推論速度を維持しながら、250倍のコストでZOOに匹敵するパフォーマンスを実現し、現実のブラックボックスTTAの実用的で効率的なソリューションとして確立している。

関連論文リスト

• Prime Once, then Reprogram Locally: An Efficient Alternative to Black-Box Service Model Adaptation [16.010988873048998]
  サービスモデル(AReS)の代替的効率的な再プログラミング手法を提案する。 AReSは、アメニブルなローカルトレーニング済みエンコーダをプライマリ化するために、サービスAPIとのシングルパスインタラクションを開始する。 実験では、以前のZOOベースのメソッドが苦労するAReSの有効性を示す。
  論文  参考訳（メタデータ） (2026-04-01T23:31:09Z)
• The Golden Subspace: Where Efficiency Meets Generalization in Continual Test-Time Adaptation [86.83038620308423]
  Continual Test-Time Adaptation (CTTA)は、ソースデータにアクセスすることなく、分散シフトの下でラベルなしのデータストリームへのオンライン適応を可能にすることを目的としている。 我々は,GOLD ( Guided Online Low-rank Directional Adaptation) を提案する。これは,Goldenサブスペースに機能を投影する軽量アダプタを用いて,サブスペースがAGOPを介して動的に更新される間に,コンパクトなスケーリングベクトルを学習する。
  論文  参考訳（メタデータ） (2026-03-23T12:48:38Z)
• Ultra-Light Test-Time Adaptation for Vision--Language Models [0.6816905600359814]
  CLIPのような視覚言語モデル(VLM)は、画像埋め込みとテキスト由来のクラスプロトタイプを比較することで、強力なゼロショット認識を実現する。 ドメインシフトでは、特徴の漂流、クラスプライアミスマッチ、深刻な誤診に悩まされる。 バックボーンを凍結し,ロジットレベルのパラメータのみを適応させる,完全トレーニングフリーでバックプロップフリーなフレームワークであるUltra-Light Test-Time Adaptation (UL-TTA)を提案する。
  論文  参考訳（メタデータ） (2025-11-12T08:19:57Z)
• ETTA: Efficient Test-Time Adaptation for Vision-Language Models through Dynamic Embedding Updates [5.84817561920117]
  Test-Time Adaptationは、新しいドメインでラベル付けされていないテストデータに視覚言語モデルを適用する。 現在のキャッシュベースのTTAモデルは、限られた高信頼のサンプルのみを格納する。 入ってくるすべてのテストサンプルを統合するRecursive Updatingモジュールを提案する。
  論文  参考訳（メタデータ） (2025-08-07T23:11:33Z)
• Test-Time Adaptation with Binary Feedback [50.20923012663613]
  BiTTAは、不確実なサンプルに対するバイナリフィードバック誘導適応と、確実な予測に対する合意に基づく自己適応のバランスをとる、新しいデュアルパス最適化フレームワークである。 実験の結果、BiTTAは最先端のベースラインよりも13.3%の精度向上を実現している。
  論文  参考訳（メタデータ） (2025-05-24T05:24:10Z)
• CPT: Consistent Proxy Tuning for Black-box Optimization [63.06335358432746]
  Proxy-tuningはブラックボックス言語モデルをチューニングするためのテスト時間出力調整を提供する。 本稿では,シンプルなブラックボックスチューニング手法であるConsistent Proxy Tuning (CPT)を紹介する。 CPTは、凍結した大きなブラックボックスモデルと別の凍結した小さなホワイトボックスモデルを利用して、トレーニングステージ最適化目標とテストタイムプロキシの一貫性を確保する。
  論文  参考訳（メタデータ） (2024-07-01T10:23:14Z)
• Active Test-Time Adaptation: Theoretical Analyses and An Algorithm [51.84691955495693]
  テスト時間適応(TTA)は、教師なし設定でストリーミングテストデータの分散シフトに対処する。 完全TTA設定内に能動学習を統合する能動テスト時間適応(ATTA)の新たな問題設定を提案する。
  論文  参考訳（メタデータ） (2024-04-07T22:31:34Z)
• Black-Box Tuning of Vision-Language Models with Effective Gradient Approximation [71.21346469382821]
  ブラックボックスモデルに対するテキストプロンプト最適化と出力特徴適応のための協調ブラックボックスチューニング(CBBT)を導入する。 CBBTは11のダウンストリームベンチマークで広範囲に評価され、既存のブラックボックスVL適応法と比較して顕著に改善されている。
  論文  参考訳（メタデータ） (2023-12-26T06:31:28Z)
• BBTv2: Pure Black-Box Optimization Can Be Comparable to Gradient Descent for Few-Shot Learning [83.26610968655815]
  Black-Box Tuningは、言語モデルの入力に先立って、連続的なプロンプトトークンを最適化するためのデリバティブフリーなアプローチである。 BBTv2は、言語モデルをグラデーションベースの最適化に匹敵する結果を得るために駆動する、純粋なブラックボックス最適化手法である。
  論文  参考訳（メタデータ） (2022-05-23T11:10:19Z)

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。