論文の概要: TopoGeoScore: A Self-Supervised Source-Only Geometric Framework for OOD Checkpoint Selection
- arxiv url: http://arxiv.org/abs/2605.08870v1
- Date: Sat, 09 May 2026 10:46:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:49.943247
- Title: TopoGeoScore: A Self-Supervised Source-Only Geometric Framework for OOD Checkpoint Selection
- Title（参考訳）: TopoGeoScore: OODチェックポイント選択のための自己監督型ソースオンリーな幾何学的フレームワーク
- Abstract要約: ラベルなしOODチェックポイント選択のためのソースのみの幾何スコアである textbfTopoGeoScore を提案する。
我々は、ソース埋め込みからクラス条件の相互$k$-nearest-neighbourグラフを構築し、3つの解釈可能な信号を抽出する。
ウェイトを手で固定する代わりに、TopoGeoScoreは自己教師対象を通じて非負の線形スコアを学習する。
- 参考スコア（独自算出の注目度）: 1.4877856019517555
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Out-of-distribution (OOD) robustness is difficult to diagnose when target-domain labels are unavailable. We consider a more restrictive source-only variant of unsupervised accuracy estimation: selecting robust checkpoints using only source-domain representations, with no target samples or target labels. We propose \textbf{TopoGeoScore}, a source-only geometric scorer for label-free OOD checkpoint selection. Given a trained checkpoint, we construct class-conditional mutual $k$-nearest-neighbour graphs from source embeddings and extract three interpretable signals: a torsion-inspired reduced Laplacian log-determinant for global class-manifold complexity, Ollivier--Ricci curvature for local neighbourhood regularity, and higher-order topological summaries for fragmented connectivity, loops, and global--local inconsistency. Instead of fixing their weights by hand, TopoGeoScore learns a non-negative linear score through a self-supervised objective that enforces invariance under approximately geometry-preserving embedding views and separation from structure-breaking views. The score remains interpretable and uses no target-domain samples or labels. Results across CIFAR-based corruption and distribution-shift benchmarks, ImageNet-C, MNLI$\to$HANS transfer, and OGBN-Arxiv suggest that source representations contain measurable global--local--topological evidence of robustness, supporting practical checkpoint selection before deployment under distribution shift.
- Abstract（参考訳）: アウト・オブ・ディストリビューション(OOD)の堅牢性は、ターゲットドメインラベルが利用できない場合に診断が困難である。
ソースドメイン表現のみを使用してロバストなチェックポイントを選択し、ターゲットサンプルやターゲットラベルを含まない。
我々は、ラベルなしOODチェックポイント選択のためのソースのみの幾何スコアである「textbf{TopoGeoScore}」を提案する。
トレーニングされたチェックポイントが与えられた場合、ソース埋め込みからクラス条件付き相互$k$-nearest-neighbourグラフを構築し、3つの解釈可能な信号を取り出す: トーションにインスパイアされた大域的クラスマニフォールド複雑性に対するラプラシアン対数決定式、局所的近傍正規性のためのOllivier-Ricci曲率、断片接続、ループ、グローバル局所不整合のための高階トポロジ的要約。
ウェイトを手で固定する代わりに、TopoGeoScoreは、幾何学的に保存された埋め込みビューの下で不変性を強制し、構造を破るビューから分離する自己教師対象を通じて非負の線形スコアを学習する。
スコアは解釈可能であり、ターゲットドメインのサンプルやラベルは使用しない。
CIFARベースの汚職と分布シフトのベンチマーク、ImageNet-C、MNLI$\to$HANS Transfer、OGBN-Arxiv による結果から、ソース表現にはロバスト性に関する測定可能なグローバル-ローカル-トポロジカルな証拠が含まれており、分布シフトによる展開前の実際のチェックポイント選択をサポートすることが示唆されている。
関連論文リスト
- SimFuse3D: Source-Guided Target Simulation and Confidence-Guided Multi-Stage Localization Reweighting for Cross-Platform 3D Object Detection [14.526062661334437]
センサ高さと視点の変化は、オブジェクトレベルの点分布を変化させ、クロスプラットフォームのLiDAR非教師なし領域適応を困難にする。
そこで,SimFuse3Dを導入し,ラベル付きソーススキャンから計測した幾何を用いて,対象の配置を保存し,関連する擬似オブジェクトを修復する。
論文 参考訳（メタデータ） (2026-09-04T08:41:56Z) - Safe-Subspace Pseudo-Label Refinement for Source-Free Graph Domain Adaptation [41.958621280228634]
ソースフリーグラフドメイン適応(SF-GDA)は、ソースグラフがもはやアクセスできないときに、未ラベルのターゲットグラフにソース学習グラフモデルを適用することを目的としている。
本稿では,SF-GDAを選択的擬似ラベル法の観点から検討する。
本稿では,ターゲットグラフのみにハードな擬似ラベル監視を適用する,ソースフリーなグラフ適応フレームワークであるSafeSubspace Pseudo-Label Refinement (S$2$PLR)を提案する。
論文 参考訳（メタデータ） (2026-05-30T16:47:21Z) - Reliable Active Learning from Unreliable Labels via Neural Collapse Geometry [5.1511135538176]
アクティブラーニング(AL)は、情報的なサンプルを優先順位付けすることでアノテーションのコストを削減することを約束するが、ラベルがうるさい場合やデータ分散がシフトした場合、その信頼性は低下する。
本稿では,深層ネットワークの創発的幾何学的規則性を活用し,信頼できない監視に対処するフレームワークである能動学習(NCAL-R)を提案する。
論文 参考訳（メタデータ） (2025-10-10T17:50:31Z) - Revisiting Domain-Adaptive 3D Object Detection by Reliable, Diverse and
Class-balanced Pseudo-Labeling [38.07637524378327]
ドメイン適応型3Dオブジェクト検出において,疑似ラベリング技術を用いた教師なしドメイン適応(DA)が重要なアプローチとして浮上している。
既存のDAメソッドは、マルチクラスのトレーニング環境に適用した場合、パフォーマンスが大幅に低下する。
本稿では,すべてのクラスを一度に検出する学習に適した新しいReDBフレームワークを提案する。
論文 参考訳（メタデータ） (2023-07-16T04:34:11Z) - Divide and Contrast: Source-free Domain Adaptation via Adaptive
Contrastive Learning [122.62311703151215]
Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。
DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。
さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
論文 参考訳（メタデータ） (2022-11-12T09:21:49Z) - Cycle Label-Consistent Networks for Unsupervised Domain Adaptation [57.29464116557734]
ドメイン適応は、ラベル付きソースドメインを活用して、異なる分布を持つラベル付きターゲットドメインの分類子を学ぶことを目的としています。
本稿では,分類ラベルのサイクル整合性を利用して,シンプルで効率的な領域適応手法,すなわちCycle Label-Consistent Network (CLCN)を提案する。
MNIST-USPS-SVHN, Office-31, Office-Home, Image CLEF-DAベンチマークに対するアプローチの有効性を示す。
論文 参考訳（メタデータ） (2022-05-27T13:09:08Z) - Video-based Person Re-identification without Bells and Whistles [49.51670583977911]
ビデオベースの人物再識別(Re-ID)は、異なるカメラの下で歩行者を特定するために、ビデオトラッカーとトリミングされたビデオフレームをマッチングすることを目的としている。
従来の方法による不完全な検出と追跡の結果から, 収穫したトラックレットの空間的, 時間的不整合が生じている。
本稿では,深層学習に基づくトラックレットの検出と追跡を適用することで,これらの予期せぬノイズを効果的に低減できる簡易な再検出リンク(DL)モジュールを提案する。
論文 参考訳（メタデータ） (2021-05-22T10:17:38Z) - A Free Lunch for Unsupervised Domain Adaptive Object Detection without
Source Data [69.091485888121]
教師なしドメイン適応(unsupervised domain adaptation) ソースとターゲットのドメインデータは自由に利用でき、通常、ドメイン間のギャップを減らすために一緒に訓練される。
ノイズの多いラベルで学習する問題にモデル化することで,ソースデータのないドメイン適応オブジェクト検出(SFOD)フレームワークを提案する。
論文 参考訳（メタデータ） (2020-12-10T01:42:35Z) - Coping with Label Shift via Distributionally Robust Optimisation [72.80971421083937]
分散ロバスト最適化(DRO)に基づく目的最小化モデルを提案する。
そこで我々は,提案した目的を最適化するために,大規模問題に適した勾配降下近位ミラー上昇アルゴリズムを設計し,解析する。
論文 参考訳（メタデータ） (2020-10-23T08:33:04Z) - Scope Head for Accurate Localization in Object Detection [135.9979405835606]
本研究では,各位置のアンカーを相互依存関係としてモデル化したScopeNetと呼ばれる新しい検出器を提案する。
我々の簡潔で効果的な設計により、提案したScopeNetはCOCOの最先端の成果を達成する。
論文 参考訳（メタデータ） (2020-05-11T04:00:09Z)
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。