論文の概要: Continual Model Merging with Test-Time Adaptation for Whole-Slide Image Analysis

• arxiv url: http://arxiv.org/abs/2607.04755v1
• Date: Mon, 06 Jul 2026 07:48:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:30.073868
• Title: Continual Model Merging with Test-Time Adaptation for Whole-Slide Image Analysis
• Title（参考訳）: 全スライディング画像解析のためのテスト時間適応を伴う連続モデルマージ
• Abstract要約: モデルマージは、従来の連続学習に代わる実践的な代替手段を提供する。 近年の最先端モデルマージ手法では, 分散シフトに対処するため, テスト時間適応(TTA誘導マージ)を採用している。 本稿では,この手法をリハーサルのない連続的な全スライド画像分類にマッピングするベンチマーク研究を提案する。
• 参考スコア（独自算出の注目度）: 4.934678371009237
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Model merging offers a practical alternative to conventional continual learning by integrating independently fine-tuned models without retaining previous training data. Recent state-of-the-art model merging methods employ test-time adaptation (TTA-guided merging) to address distribution shifts by adjusting merging-related variables using unlabeled target data. However, these methods have primarily been studied in multi-task or single-target settings, and their behavior under sequential continual learning remains insufficiently understood. We present a benchmark study that maps this family of methods to rehearsal-free continual Whole Slide Image classification and evaluates them against traditional continual-learning approaches. Experiments on six TCGA cancer-subtyping cohorts cover CLASS-IL and TASK-IL scenarios, in-domain and out-of-domain evaluation, and different task orders. The results show that adapting model merging at test time can provide strong task-specific performance and improve retention of previously acquired knowledge without storing historical WSIs. Nevertheless, performance remains sensitive to task order and to the interaction between adaptation on the current distribution and accumulated knowledge. This benchmark identifies model merging with test-time adaptation as a promising direction for continual computational pathology and motivates future methods that balance adaptation to domain shift with explicit preservation of historical knowledge.
• Abstract（参考訳）: モデルマージは、既存のトレーニングデータを保持することなく、独立して微調整されたモデルを統合することによって、従来の連続学習に代わる実用的な代替手段を提供する。 近年の最先端モデルマージ手法では、未ラベルのターゲットデータを用いてマージ関連変数を調整することにより、分散シフトに対応するためにテスト時適応(TTA誘導マージ)を採用している。 しかし、これらの手法は主にマルチタスクや単一ターゲット設定で研究されており、連続学習下での動作は十分に理解されていない。 本稿では,この手法をリハーサルのない連続的な全スライド画像分類にマッピングし,従来の連続学習手法と比較して評価するベンチマーク研究を提案する。 6つのTCGA癌置換コホートの実験では、CLASS-ILとTASK-ILのシナリオ、ドメイン内およびドメイン外評価、タスクオーダーが異なる。 その結果,従来のWSIを記憶せずとも,従来の知識の保持が向上し,タスク固有性能が向上する可能性が示唆された。 それでも、タスクの順序や、現在の分布への適応と蓄積された知識との相互作用には、パフォーマンスは依然として敏感である。 このベンチマークでは、連続的な計算病理学の有望な方向としてテスト時間適応と組み合わせたモデルを特定し、ドメインシフトへの適応と歴史的知識の明示的な保存とをバランスさせる将来の手法を動機付けている。

関連論文リスト

• Continual Test-Time Adaptation in Computer Vision: Methods, Benchmarks, and Future Directions [43.33274519035607]
  トレーニングとテストデータが同じ分布を共有する場合、ディープニューラルネットは顕著なパフォーマンスを達成する。 しかし、この仮定は、データが連続的な分散シフトを行う現実世界のデプロイメントにおいて、しばしば破られる。 連続テスト時間適応(CTTA)は、事前訓練されたモデルを非定常目標分布にオンザフライで適応させることによって、この問題に対処する。
  論文  参考訳（メタデータ） (2026-07-09T07:02:56Z)
• Revitalizing the Beginning: Avoiding Storage Dependency for Model Merging in Continual Learning [57.10440766103372]
  Trajectory Regularized Merging (TRM) は、拡張されたトラジェクトリ部分空間内の最適化プロセスとしてマージフェーズを再構成するフレームワークである。 本フレームワークは,タスクアライメント,予測整合性,勾配応答性といった3つの相乗的目標を統合し,統合モデルの履歴安定性と再活性化最適化のダイナミクスを同時に保存する。
  論文  参考訳（メタデータ） (2026-05-08T14:07:32Z)
• Orthogonal Projection Subspace to Aggregate Online Prior-knowledge for Continual Test-time Adaptation [67.80294336559574]
  連続テスト時間適応(CTTA)は、新しいシナリオに継続的に適応するために、ソース事前訓練されたモデルを必要とするタスクである。 我々は、OoPkと呼ばれるオンライン事前知識を集約する新しいパイプラインOrthogonal Projection Subspaceを提案する。
  論文  参考訳（メタデータ） (2025-06-23T18:17:39Z)
• MINGLE: Mixture of Null-Space Gated Low-Rank Experts for Test-Time Continual Model Merging [29.58798660724693]
  連続モデルマージは、オリジナルのトレーニングデータにアクセスすることなく、独立して微調整されたモデルを順次統合する。 テスト時間連続モデルマージの新しいフレームワークであるMINGLEを提案する。 MINGLEは堅牢な一般化を実現し、忘れることを大幅に減らし、従来の最先端の手法を平均で7-9%上回っている。
  論文  参考訳（メタデータ） (2025-05-17T07:24:22Z)
• Bayesian Test-Time Adaptation for Vision-Language Models [51.93247610195295]
  CLIPのような事前訓練された視覚言語モデルによるテスト時適応は、新しい、潜在的に配布外テストデータにモデルを適応させることを目的としている。 我々は、クラス埋め込みを継続的に更新して妥当性を適応させる新しいアプローチ、textbfBayesian textbfClass textbfAdaptation (BCA)を提案する。
  論文  参考訳（メタデータ） (2025-03-12T10:42:11Z)
• Adaptive Retention & Correction: Test-Time Training for Continual Learning [114.5656325514408]
  連続学習における一般的な問題は、最新のタスクに対する分類層のバイアスである。 アダプティブ・リテンション・アンド・コレクション (ARC) のアプローチを例に挙げる。 ARCはCIFAR-100とImagenet-Rのデータセットで平均2.7%と2.6%のパフォーマンス向上を達成した。
  論文  参考訳（メタデータ） (2024-05-23T08:43:09Z)
• AR-TTA: A Simple Method for Real-World Continual Test-Time Adaptation [1.4530711901349282]
  本稿では,自律運転のためのデータセット,すなわちCLAD-CとShiFTを用いたテスト時間適応手法の検証を提案する。 現在のテスト時間適応手法は、ドメインシフトの様々な程度を効果的に扱うのに苦労している。 モデル安定性を高めるために、小さなメモリバッファを組み込むことで、確立された自己学習フレームワークを強化する。
  論文  参考訳（メタデータ） (2023-09-18T19:34:23Z)
• Towards Robust Continual Learning with Bayesian Adaptive Moment Regularization [51.34904967046097]
  継続的な学習は、モデルが以前に学習した情報を忘れてしまう破滅的な忘れ込みの課題を克服しようとする。 本稿では,パラメータ成長の制約を緩和し,破滅的な忘れを減らし,新しい事前手法を提案する。 以上の結果から, BAdamは, 単頭クラスインクリメンタル実験に挑戦する先行手法に対して, 最先端の性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2023-09-15T17:10:51Z)
• 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)
• Semantic Self-adaptation: Enhancing Generalization with a Single Sample [45.111358665370524]
  セマンティックセグメンテーションのための自己適応型アプローチを提案する。 整合正則化を用いて畳み込み層のパラメータを入力画像に微調整する。 実験により, 自己適応は訓練時のモデル正規化の確立した実践を補完する可能性が示唆された。
  論文  参考訳（メタデータ） (2022-08-10T12:29:01Z)
• Multiband VAE: Latent Space Partitioning for Knowledge Consolidation in Continual Learning [14.226973149346883]
  従来を忘れずに新しいデータサンプルに関する知識を取得することは、継続的な学習の重要な問題である。 本稿では,変分オートエンコーダの潜伏空間の分割に依存する生成モデルにおける教師なし連続的知識統合手法を提案する。 標準連続学習評価ベンチマークに基づいて,本手法を新たな知識統合シナリオで評価し,提案手法が最先端の2倍に向上することを示す。
  論文  参考訳（メタデータ） (2021-06-23T06:58:40Z)
• Ask-n-Learn: Active Learning via Reliable Gradient Representations for Image Classification [29.43017692274488]
  深い予測モデルは、ラベル付きトレーニングデータという形で人間の監督に依存する。 Ask-n-Learnは,各アルゴリズムで推定されたペスドラベルを用いて得られる勾配埋め込みに基づく能動的学習手法である。
  論文  参考訳（メタデータ） (2020-09-30T05:19:56Z)

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。