論文の概要: ADAPTOOD: Uncertainty-Aware Fine-Tuning for Out-of-Distribution ECG Time Series Models

• arxiv url: http://arxiv.org/abs/2606.04164v1
• Date: Tue, 02 Jun 2026 19:26:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.348598
• Title: ADAPTOOD: Uncertainty-Aware Fine-Tuning for Out-of-Distribution ECG Time Series Models
• Title（参考訳）: ADAPTOOD: アウト・オブ・ディストリビューションECG時系列モデルのための不確かさを意識したファインチューニング
• Authors: Sotirios Vavaroutas, Yu Yvonne Wu, Ali Etemad, Cecilia Mascolo,
• Abstract要約: 多様なセンサー、人口、アプリケーション設定によって生じる分散シフトによって、パフォーマンスは劣化することが多い。 分散シフト重大度を定量化するためにデータ不確実性を活用する新しいフレームワークであるADAPTOODを提案する。 我々は,ADAPTOODが既存のOODタスクよりも7%高い精度,12.9%高い精度を実現していることを示す。
• 参考スコア（独自算出の注目度）: 40.52446939077265
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data samples used for training often differ from those encountered during fine-tuning and deployment, and while ML models show promise, their performance remains limited when only small annotated datasets are available. Performance often degrades under distribution shifts caused by diverse sensors, populations, and application settings. Although pre-training helps, models frequently encounter out-of-distribution (OOD) data in real-world settings, leading to reduced robustness. Existing adaptation methods usually assume fixed distribution shifts and struggle when multiple types or severities occur. In particular, they overlook shift severity, for example treating adaptation to a large familiar dataset the same as adaptation to a small dataset with a new task, which limits generalisation. To address this, we propose ADAPTOOD, a novel framework that leverages data uncertainty to quantify distribution shift severity and guide fine-tuning for time series. This uncertainty measures how strongly samples from the target deployment distribution deviate from the pre-training distribution, providing a direct signal of OOD severity. Our framework combines this uncertainty with low-rank model updates and adaptive hyperparameter optimisation to improve adaptation. We show that ADAPTOOD achieves up to 7% higher accuracy and 12.9% higher precision than existing methods in OOD tasks, maintaining strong performance as distribution shift severity increases.
• Abstract（参考訳）: トレーニングに使用されるデータサンプルは、微調整やデプロイメントで発生するものとは異なることが多い。 多様なセンサー、人口、アプリケーション設定によって生じる分散シフトによって、パフォーマンスは劣化することが多い。 事前トレーニングは有効だが、モデルが現実世界の設定でアウト・オブ・ディストリビューション(OOD)データに遭遇することが多く、堅牢性が低下する。 既存の適応法は通常、複数のタイプや深刻度が発生した場合、一定の分布シフトと苦労を仮定する。 特に、彼らはシフトの重大さを見落としており、例えば、大きな慣れ親しんだデータセットへの適応を、新しいタスクを持つ小さなデータセットへの適応と同様に扱い、一般化を制限している。 そこで本研究では,データ不確実性を利用して分散シフトの重大度を定量化し,時系列の微調整をガイドする新しいフレームワークであるADAPTOODを提案する。 この不確実性は、目標展開分布からのサンプルが事前学習分布からどのように逸脱するかを測り、OOD重大性の直接信号を提供する。 この不確実性と低ランクモデル更新と適応型ハイパーパラメータ最適化を組み合わせることで適応性を向上する。 我々は,ADAPTOODが既存のOODタスクよりも最大7%高い精度と12.9%高い精度を実現し,分散シフト重大度の増加とともに高い性能を維持していることを示す。

関連論文リスト

• Low-rank finetuning for LLMs: A fairness perspective [54.13240282850982]
  低ランク近似技術は、微調整された大規模言語モデルのデファクトスタンダードとなっている。 本稿では,これらの手法が初期訓練済みデータ分布から微調整データセットのシフトを捉える上での有効性について検討する。 低ランク微調整は好ましくない偏見や有害な振る舞いを必然的に保存することを示す。
  論文  参考訳（メタデータ） (2024-05-28T20:43:53Z)
• Towards Calibrated Robust Fine-Tuning of Vision-Language Models [97.19901765814431]
  本研究は、視覚言語モデルにおいて、OOD精度と信頼性校正の両方を同時に改善する頑健な微調整法を提案する。 OOD分類とOOD校正誤差は2つのIDデータからなる共有上限を持つことを示す。 この知見に基づいて,最小の特異値を持つ制約付きマルチモーダルコントラスト損失を用いて微調整を行う新しいフレームワークを設計する。
  論文  参考訳（メタデータ） (2023-11-03T05:41:25Z)
• Characterizing Out-of-Distribution Error via Optimal Transport [15.284665509194134]
  ラベルなしでOODデータ上でモデルの性能を予測する方法は、機械学習の安全性にとって重要である。 最適輸送理論を利用してモデル性能を推定する新しい手法を提案する。 提案手法は既存の最先端手法よりも最大3倍低い予測誤差で大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-25T01:37:13Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• Tracking the risk of a deployed model and detecting harmful distribution shifts [105.27463615756733]
  実際には、デプロイされたモデルのパフォーマンスが大幅に低下しないという、良心的なシフトを無視することは理にかなっている。 我々は,警告を発射する有効な方法は,(a)良性な警告を無視しながら有害なシフトを検知し,(b)誤報率を増大させることなく,モデル性能の連続的なモニタリングを可能にすることを論じる。
  論文  参考訳（メタデータ） (2021-10-12T17:21:41Z)
• Predicting with Confidence on Unseen Distributions [90.68414180153897]
  ドメイン適応と予測不確実性文学を結びつけて、挑戦的な未知分布のモデル精度を予測する。 分類器の予測における信頼度(DoC)の差は,様々な変化に対して,分類器の性能変化を推定することに成功した。 具体的には, 合成分布と自然分布の区別について検討し, その単純さにもかかわらず, DoCは分布差の定量化に優れることを示した。
  論文  参考訳（メタデータ） (2021-07-07T15:50:18Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。