Fugu-MT 論文翻訳(概要): A probabilistic framework for online test-time adaptation

論文の概要: A probabilistic framework for online test-time adaptation

arxiv url: http://arxiv.org/abs/2606.26457v1
Date: Wed, 24 Jun 2026 23:37:09 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-26 18:46:32.113317
Title: A probabilistic framework for online test-time adaptation
Title（参考訳）: オンラインテスト時間適応のための確率的フレームワーク
Abstract要約: モデルはラベル付きデータに基づいてトレーニングされるが、トレーニングとテストの分布が潜在的に異なるという仮定の下で、テスト時にラベル付きデータに適応する必要がある。このフレームワークは、パラメータ学習、パラメータ時間進化、事前チューニング、予測を特徴付ける状態空間モデリングアーキテクチャに基づいている。
参考スコア（独自算出の注目度）: 0.4583541422554718
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: This paper presents a probabilistic framework for online test-time adaptation problems. In them, a model is trained on labeled data but must adapt to unlabeled data at test time under the assumption that training and test distributions potentially differ, that is, there might have been a distributional shift. The framework is based on a state-space modelling architecture from which parameter learning, parameter time evolution, prior tuning, and prediction can be characterized.
Abstract（参考訳）: 本稿では,オンラインテスト時間適応問題に対する確率的枠組みを提案する。それらの中で、モデルはラベル付きデータに基づいてトレーニングされるが、トレーニングとテストの分布が潜在的に異なる、すなわち分散シフトがあったという仮定の下で、テスト時にラベル付きデータに適応しなければならない。このフレームワークは、パラメータ学習、パラメータ時間進化、事前チューニング、予測を特徴付ける状態空間モデリングアーキテクチャに基づいている。

関連論文リスト

MetaDAT: Generalizable Trajectory Prediction via Meta Pre-training and Data-Adaptive Test-Time Updating [18.84791793147564]
既存の軌道予測法では, 試験時間における分布変化による性能劣化が顕著である。高速かつ正確なオンライン適応のための予測器を直接最適化するメタラーニングフレームワークを提案する。テスト時に、オンライン部分微分とハードサンプル選択に基づいて学習率を動的に調整し、周波数を更新するデータ適応モデル更新機構を導入する。その結果,提案手法は軌道予測のための最先端の試験時間トレーニング手法を超越し,適応精度が向上することを示した。
論文参考訳（メタデータ） (2026-03-10T09:34:32Z)
Probability Distribution Learning and Its Application in Deep Learning [0.0]
本稿では,確率分布学習(PD Learning)と呼ばれる理論学習フレームワークを紹介する。 PD学習は確率分布の学習に重点を置いており、確率の単純さの中で確率変数としてモデル化される。
論文参考訳（メタデータ） (2024-06-09T06:49:22Z)
A Comprehensive Survey on Test-Time Adaptation under Distribution Shifts [117.72709110877939]
テスト時間適応(TTA)は、事前訓練されたモデルをテスト中に、予測する前にラベルのないデータに適応する可能性がある。 TTAはテスト時間領域適応、テスト時間バッチ適応、オンラインテスト時間適応といったテストデータの形態に基づいて、いくつかの異なるグループに分類される。
論文参考訳（メタデータ） (2023-03-27T16:32:21Z)
CAFA: Class-Aware Feature Alignment for Test-Time Adaptation [50.26963784271912]
テスト時間適応(TTA)は、テスト時にラベルのないデータにモデルを適応させることによって、この問題に対処することを目的としている。本稿では,クラス認識特徴アライメント(CAFA, Class-Aware Feature Alignment)と呼ばれる単純な機能アライメント損失を提案する。
論文参考訳（メタデータ） (2022-06-01T03:02:07Z)
Conformal Prediction Under Feedback Covariate Shift for Biomolecular Design [56.86533144730384]
本稿では,トレーニングデータとテストデータが統計的に依存した環境での予測不確実性を定量化する手法を提案する。モチベーション・ユースケースとして,本手法が設計したタンパク質の適合性予測の不確かさを定量化する方法を実データで示す。
論文参考訳（メタデータ） (2022-02-08T02:59:12Z)
Training on Test Data with Bayesian Adaptation for Covariate Shift [96.3250517412545]
ディープニューラルネットワークは、信頼できない不確実性推定で不正確な予測を行うことが多い。分布シフトの下でのラベルなし入力とモデルパラメータとの明確に定義された関係を提供するベイズモデルを導出する。本手法は精度と不確実性の両方を向上することを示す。
論文参考訳（メタデータ） (2021-09-27T01:09:08Z)
Learning Neural Models for Natural Language Processing in the Face of Distributional Shift [10.990447273771592]
特定のデータセットでひとつのタスクを実行するための強力な神経予測器をトレーニングするNLPのパラダイムが、さまざまなアプリケーションで最先端のパフォーマンスを実現している。データ分布が定常である、すなわち、トレーニングとテストの時間の両方で、データは固定された分布からサンプリングされる、という仮定に基づいて構築される。この方法でのトレーニングは、人間が絶えず変化する情報の流れの中で学習し、操作できる方法と矛盾する。データ分散がモデル寿命の経過とともにシフトすることが期待される実世界のユースケースに不適応である。
論文参考訳（メタデータ） (2021-09-03T14:29:20Z)
Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
論文参考訳（メタデータ） (2021-02-22T07:02:37Z)
Balance-Subsampled Stable Prediction [55.13512328954456]
本稿では, 分数分解設計理論に基づく新しいバランスサブサンプル安定予測法を提案する。設計理論解析により,提案手法は分布シフトによって誘導される予測器間の共起効果を低減できることを示した。合成および実世界の両方のデータセットに関する数値実験により、BSSPアルゴリズムは未知のテストデータ間で安定した予測を行うためのベースライン法を著しく上回っていることが示された。
論文参考訳（メタデータ） (2020-06-08T07:01:38Z)

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。