論文の概要: Multi-Label Test-Time Adaptation with Bayesian Conditional Priors

• arxiv url: http://arxiv.org/abs/2606.12925v1
• Date: Thu, 11 Jun 2026 05:29:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 15:55:27.60466
• Title: Multi-Label Test-Time Adaptation with Bayesian Conditional Priors
• Title（参考訳）: ベイズ条件付き複数ラベルテスト時間適応
• Authors: Qiru Li, Ao Zhou, Zhiwei Jiang, Zifeng Cheng, Cong Wang, Yafeng Yin, Qing Gu,
• Abstract要約: Conditional Priors Estimation (BCP) は、バックボーンをチューニングせずにラベル依存性を注入する勾配のないテスト時間適応法である。 BCPは、未ラベルのテストストリームからアンカー条件の事前値をオンラインで推定することで、ターゲットアノテーションなしで動作します。 BCPは、標準のマルチラベルベンチマークと複数のCLIPバックボーンで、強力なTTAベースラインを一貫して上回る。
• 参考スコア（独自算出の注目度）: 15.878958356965159
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-label recognition with frozen Vision-Language Models (VLMs) is brittle under distribution shift: standard zero-shot inference scores labels independently, ignoring co-occurrence structure and producing incoherent label sets where dominant concepts suppress weaker but compatible labels. We introduce Bayesian Conditional Priors (BCP) Estimation, a gradient-free test-time adaptation method that injects label dependency without tuning the backbone. BCP views zero-shot logits as a proxy for marginal posteriors under a fixed image-text likelihood and attributes shift-induced errors mainly to a mismatched label prior. For each test image, it selects a high-confidence anchor label and applies an anchor-conditioned Bayesian refinement. This update is closed-form in logit space and admits a pointwise mutual information (PMI) interpretation, explicitly promoting compatible labels and suppressing incompatible ones. BCP operates without target annotations by estimating anchor-conditioned priors online from the unlabeled test stream via lightweight second-order co-occurrence statistics, adding negligible overhead beyond a single forward pass. Across standard multi-label benchmarks and multiple CLIP backbones, BCP consistently outperforms strong TTA baselines, e.g., improving RN50 average mAP from 57.31 to 69.22 and ViT-B/16 from 62.61 to 71.79.
• Abstract（参考訳）: 標準ゼロショット推論はラベルを独立にスコアし、共起構造を無視し、支配的な概念がより弱いが互換性のあるラベルを抑圧する不整合ラベルセットを生成する。 バックボーンをチューニングすることなくラベル依存性を注入する勾配のないテスト時間適応法であるBayesian Conditional Priors (BCP) Estimationを導入する。 BCPはゼロショットロジットを、画像テキストの確率が固定された後縁のプロキシとみなし、シフト誘起エラーを主にマッチしないラベルに属性付けている。 各テスト画像に対して、高信頼アンカーラベルを選択し、アンカー条件のベイズ改良を適用する。 この更新はロジット空間におけるクローズドフォームであり、ポイントワイド相互情報(PMI)解釈を認め、互換性のあるラベルを明示的に宣伝し、互換性のないラベルを抑圧する。 BCPは、単一のフォワードパスを超える無視可能なオーバーヘッドを追加し、軽量な2階共起統計を通じて、ラベル付けされていないテストストリームからアンカー条件の事前をオンラインで推定することで、ターゲットアノテーションなしで動作します。 標準のマルチラベルベンチマークと複数のCLIPバックボーンで、BCPは強力なTTAベースライン、例えばRN50平均mAPを57.31から69.22に改善し、ViT-B/16を62.61から71.79に改善している。

関連論文リスト

• Discourse-Role Labels as Presentation-Time Variables for Context Use in Language Models [3.376024929309146]
  本研究では,文脈拡張型言語モデルシステムが読者モデル行動に与える影響について検討する。 本稿では,500 MMLU-Pro 項目の固定コンテンツプローブについて紹介する。 各項目は、異なる談話ロールラベルの下で同じ誤解を招く答えを持つアサーションを受け取る。 GPT-5.5, DeepSeek V4 Pro, Llama-3-8B-Instruct, Qwen2.5-7B-Instruct, Misleading Adoption Rate shifts by 56-84%
  論文  参考訳（メタデータ） (2026-06-02T18:12:57Z)
• Metric-Dependent Annotation Saturation for Learning from Label Distributions [0.0]
  我々は,ChaosNLIをサブサンプルとしたラベル分布のNLIモデルを微調整する。 3クラス NLI では、エントロピー相関は N 20-50 のアノテータを収束させる必要がある。 ソフトラベルは、ラベルの平滑化が再現できないアイテム固有の信号を運ぶ。
  論文  参考訳（メタデータ） (2026-05-28T11:46:51Z)
• LATA: Laplacian-Assisted Transductive Adaptation for Conformal Uncertainty in Medical VLMs [61.06744611795341]
  医用視覚言語モデル(VLM)は医用画像の強力なゼロショット認識器である。 本研究では,ラプラシアン支援トランスダクティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ(texttttextbfLATA,ラプラシアン支援トランスダクティブ・アダプティブ・アダプティブ・アダプティブ)を提案する。 texttttextbfLATAは交換性を損なうことなくゼロショット予測をシャープにする。
  論文  参考訳（メタデータ） (2026-02-19T16:45:38Z)
• Multi-Label Test-Time Adaptation with Bound Entropy Minimization [12.13471668494843]
  境界エントロピー最小化(BEM)を開発し、複数の上位ラベルの信頼性を同時に向上する。 MSCOCO,VOC,NUSWIDEのマルチラベルデータセット全体にわたって,ML--TTAフレームワークは最新のSOTA手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2025-02-06T04:52:16Z)
• Appeal: Allow Mislabeled Samples the Chance to be Rectified in Partial Label Learning [55.4510979153023]
  部分ラベル学習(PLL)では、各インスタンスは候補ラベルのセットに関連付けられ、そのうち1つだけが接地真実である。 誤記されたサンプルの「アペアル」を支援するため,最初の魅力に基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-18T09:09:52Z)
• Generating Unbiased Pseudo-labels via a Theoretically Guaranteed Chebyshev Constraint to Unify Semi-supervised Classification and Regression [57.17120203327993]
  分類におけるしきい値と擬似ラベルプロセス(T2L)は、ラベルの品質を決定するために信頼性を使用する。 本質的には、レグレッションは高品質なラベルを生成するためにバイアスのない方法も必要である。 チェビシェフの不等式に基づく不偏ラベルを生成するための理論的に保証された制約を提案する。
  論文  参考訳（メタデータ） (2023-11-03T08:39:35Z)
• DSLA: Dynamic smooth label assignment for efficient anchor-free object detection [18.043176234010517]
  アンカーフリー検出器は、基本的にオブジェクト検出を密な分類と回帰として定式化する。 局所化の質を推定するために、個別の予測分岐を導入するのが一般的である。 分類と品質評価の実践を掘り下げると、以下の矛盾が観測される。
  論文  参考訳（メタデータ） (2022-08-01T12:56:44Z)
• In Defense of Pseudo-Labeling: An Uncertainty-Aware Pseudo-label Selection Framework for Semi-Supervised Learning [53.1047775185362]
  Pseudo-labeling (PL) は一般的な SSL アプローチで、この制約はありませんが、当初の処方では比較的不十分です。 PLは不整合モデルからの誤った高い信頼度予測により性能が低下していると論じる。 そこで本研究では,疑似ラベリング精度を向上させるための不確実性認識型擬似ラベル選択(ups)フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-01-15T23:29:57Z)

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。