論文の概要: Test-Time Coverage: Test-Conditioned Data Curation for Deployment-Aware Learning

• arxiv url: http://arxiv.org/abs/2607.22697v1
• Date: Sat, 18 Jul 2026 00:28:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:14.827674
• Title: Test-Time Coverage: Test-Conditioned Data Curation for Deployment-Aware Learning
• Title（参考訳）: テスト時間カバレッジ: デプロイ認識学習のためのテスト駆動型データキュレーション
• Abstract要約: TTCovは、モデル重みを推論時に更新するのではなく、トレーニング前にテストサイド情報を使用する、データレベルのテスト条件付きキュレーション手法である。 我々は、TTCovを自律運転(AD)に適用し、より多くのデプロイメント関連カバレッジを持つデータを選択しながら、推論パスの適応を保ちます。
• 参考スコア（独自算出の注目度）: 32.47084374717649
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deployed AI systems are often trained from broad candidate data pools, necessitating data curation towards the deployment test distribution. However, standard data curation methods score training-side criteria rather than directly optimizing deployment match. We introduce TTCov (Test-Time Coverage), a data-level test-conditioned curation method that uses test-side information before training instead of updating model weights at inference. TTCov decomposes deployment-conditioned curation into coverage and distribution. To represent coverage, it builds a task Atlas, a collection of LLM-based atomic propositions (APs) describing deployment-relevant concepts, seeded from open task knowledge and expanded with unmatched APs extracted from unlabeled deployment samples. To represent distribution, it instantiates the matched deployment APs with their frequencies, yielding a Knowledge Atlas (K-Atlas) that operationalizes the deployment distribution as a curation target. TTCov then selects a budgeted training set whose deployment APs distribution approximates this target. We apply TTCov towards autonomous driving (AD), keeping adaptation off the inference path while selecting data with greater deployment-relevant coverage, closer K-Atlas matching, and stronger downstream end-to-end driving performance than data-curation baselines, including seamless adaptability to novel domains via city-to-city expansion.
• Abstract（参考訳）: デプロイされたAIシステムは、広く候補となるデータプールからトレーニングされることが多く、デプロイメントテストディストリビューションに向けたデータキュレーションが必要になる。 しかし、標準的なデータキュレーション手法は、デプロイメントマッチを直接最適化するのではなく、トレーニングサイドの基準を評価する。 TTCov(Test-Time Coverage)は,モデル重みを推論時に更新する代わりに,トレーニング前にテストサイド情報を使用するデータレベルのテスト条件付きキュレーション手法である。 TTCovは、デプロイ条件付きキュレーションをカバレッジと配布に分解する。 カバレッジを表現するために、オープンタスク知識からシードされ、ラベルのないデプロイメントサンプルから抽出された未適合のAPで拡張された、デプロイメント関連の概念を記述した、LCMベースのアトラス(APs)のコレクションであるTask Atlasを構築している。 分布を表すために、一致したデプロイメントAPをその頻度でインスタンス化し、キュレーションターゲットとしてデプロイメントディストリビューションを運用する知識アトラス(K-Atlas)を生成する。 その後、TTCovは、デプロイメントAPの分布がこのターゲットに近似した予算付きトレーニングセットを選択する。 我々は、TTCovを自律運転(AD)に適用し、配置関連範囲が大きく、K-Atlasマッチングが近く、下流のエンド・ツー・エンドの運転性能が、都市間拡張による新しいドメインへのシームレスな適応性を含む、データキュレーションベースラインよりも強く、推論経路からの適応性を維持する。

関連論文リスト

• BoTTA: Benchmarking on-device Test Time Adaptation [0.7278033100480175]
  テスト時間適応(TTA)は、ラベル付きテストデータやオリジナルのトレーニングセットへのアクセスを必要とせずに、推論中にモデルを適用することでこの問題に対処する。 本稿では,モバイルおよびエッジデバイス上での実用的制約下でのTTA手法の評価を目的としたベンチマークであるBoTTAを提案する。 我々は,これらのシナリオ下での最先端のTTA手法をベンチマークデータセットを用いて評価し,実際のテストベッド上でシステムレベルのメトリクスを報告する。
  論文  参考訳（メタデータ） (2025-04-14T12:00:00Z)
• BoostAdapter: Improving Vision-Language Test-Time Adaptation via Regional Bootstrapping [64.8477128397529]
  本稿では,テスト時間適応フレームワークを提案する。 我々は、インスタンスに依存しない履歴サンプルとインスタンスを意識したブースティングサンプルから特徴を検索するための軽量なキー値メモリを維持している。 理論的には,本手法の背後にある合理性を正当化し,アウト・オブ・ディストリビューションとクロスドメイン・データセットの両方において,その有効性を実証的に検証する。
  論文  参考訳（メタデータ） (2024-10-20T15:58:43Z)
• pSTarC: Pseudo Source Guided Target Clustering for Fully Test-Time Adaptation [15.621092104244003]
  テスト時間適応(TTA)は機械学習において重要な概念であり、モデルが現実世界のシナリオでうまく機能することを可能にする。 そこで本研究では,TTAの比較的未探索領域を実世界のドメインシフト下で解決する手法として,擬似ソースガイドターゲットクラスタリング(pSTarC)を提案する。
  論文  参考訳（メタデータ） (2023-09-02T07:13:47Z)
• AdaNPC: Exploring Non-Parametric Classifier for Test-Time Adaptation [64.9230895853942]
  ドメインの一般化は、ターゲットのドメイン情報を活用することなく、任意に困難にすることができる。 この問題に対処するためにテスト時適応(TTA)手法が提案されている。 本研究では,テスト時間適応(AdaNPC)を行うためにNon-Parametricを採用する。
  論文  参考訳（メタデータ） (2023-04-25T04:23:13Z)
• 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)
• Listen, Adapt, Better WER: Source-free Single-utterance Test-time Adaptation for Automatic Speech Recognition [65.84978547406753]
  Test-time Adaptationは、ソースドメインでトレーニングされたモデルに適応して、テストサンプルの予測を改善することを目的としている。 単一発話テスト時間適応 (SUTA) は音声領域における最初のTTA研究である。
  論文  参考訳（メタデータ） (2022-03-27T06:38:39Z)
• Extending the WILDS Benchmark for Unsupervised Adaptation [186.90399201508953]
  We present the WILDS 2.0 update, which extends 8 of the 10 datasets in the WILDS benchmark of distribution shifts to include curated unlabeled data。 これらのデータセットは、組織学から野生生物保護まで幅広い応用、タスク(分類、回帰、検出)、モダリティにまたがる。 ドメイン不変量や自己学習,自己管理など,ラベルのないデータを活用する最先端の手法を体系的にベンチマークする。
  論文  参考訳（メタデータ） (2021-12-09T18:32:38Z)
• Unshuffling Data for Improved Generalization [65.57124325257409]
  トレーニングディストリビューションを越えた一般化は、マシンラーニングにおける中核的な課題である。 本研究では,複数の学習環境として扱われる非d.d.サブセットにデータを分割することで,アウト・オブ・ディストリビューションの一般化を向上したモデル学習を導出できることを示す。
  論文  参考訳（メタデータ） (2020-02-27T03:07:41Z)

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。