論文の概要: Source-Free Controlled Adaptation of Teachers for Continual Test-Time Adaptation

• arxiv url: http://arxiv.org/abs/2607.23735v1
• Date: Sun, 26 Jul 2026 16:06:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.214653
• Title: Source-Free Controlled Adaptation of Teachers for Continual Test-Time Adaptation
• Title（参考訳）: 連続テスト時間適応のための教師のソースフリー適応
• Abstract要約: 教員-学生の枠組みを活用した連続的テスト時間適応(CTTA)技術が注目されている。 本稿では,入力データの品質に応じて適切なモーメント値を動的に設定する教師適応手法を提案する。 本手法では,パイプラインの任意の段階でソースデータやその統計情報にアクセスする必要はなく,真のソースフリー化を実現している。
• 参考スコア（独自算出の注目度）: 11.989732613756194
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In many real-world scenarios, encountering continual shifts in domain during inference is very common. Consequently, continual test-time adaptation (CTTA) techniques leveraging a teacher-student framework have gained prominence, allowing models to adapt continuously even after deployment. In such a framework, a weight-averaged mean teacher is used to produce pseudo-labels from test data for self-training. The mean teacher gets updated as an exponential moving average of the student parameters using a high value of momentum that is kept fixed even if different distributions of test data are encountered. To combat the resulting drift of the model, we propose a novel controlled teacher adaptation methodology that dynamically sets a proper momentum value depending on the quality of the incoming data. Additionally, we estimate class prototypes from the source pretrained model to help align the target data as they come in. Importantly, our method does not require access to source data or its statistics at any stage of the pipeline, making it truly source-free. We perform extensive experiments on benchmark datasets to demonstrate that our approach outperforms different state-of-the-art adaptation frameworks, many of which require access to source data.
• Abstract（参考訳）: 多くの実世界のシナリオでは、推論中にドメインの連続的なシフトに遭遇することが多い。 その結果、教師/学生のフレームワークを活用した連続的テスト時間適応(CTTA)技術が注目され、デプロイ後もモデルを継続的に適応させることができるようになった。 このような枠組みでは、平均的な平均的な教師を用いて、自己学習のためのテストデータから擬似ラベルを生成する。 平均教師は、テストデータの異なる分布に遭遇しても固定される運動量の高い値を用いて、学生パラメータの指数移動平均として更新される。 そこで本研究では,入力データの品質に応じて適切なモーメント値を動的に設定する教師適応手法を提案する。 さらに、ソース事前訓練されたモデルからクラスプロトタイプを推定し、ターゲットデータを入力時に整列させるのに役立つ。 重要なことは、パイプラインのどの段階でもソースデータやその統計にアクセスする必要がなく、真のソースフリーである。 我々は、ベンチマークデータセットで広範な実験を行い、我々のアプローチが様々な最先端適応フレームワークより優れており、その多くがソースデータへのアクセスを必要とすることを実証した。

関連論文リスト

• Context Aware Grounded Teacher for Source Free Object Detection [0.0]
  我々は、適応中にソースデータが利用できない場合、ソース自由オブジェクト検出(SFOD)問題に焦点をあてる。 いくつかのアプローチでは、半教師付き学生-教師アーキテクチャを利用して、ドメインの不一致を橋渡ししている。 我々は,文脈バイアス問題に取り組むための標準フレームワークとして,接地教師(GT)を紹介した。
  論文  参考訳（メタデータ） (2025-04-21T19:13:33Z)
• 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)
• Learn from the Learnt: Source-Free Active Domain Adaptation via Contrastive Sampling and Visual Persistence [60.37934652213881]
  ドメイン適応(DA)は、ソースドメインから関連するターゲットドメインへの知識伝達を容易にする。 本稿では、ソースデータフリーなアクティブドメイン適応(SFADA)という実用的なDAパラダイムについて検討する。 本稿では,学習者学習(LFTL)というSFADAの新たなパラダイムを紹介し,学習した学習知識を事前学習モデルから活用し,余分なオーバーヘッドを伴わずにモデルを積極的に反復する。
  論文  参考訳（メタデータ） (2024-07-26T17:51:58Z)
• Towards An Online Incremental Approach to Predict Students Performance [0.8287206589886879]
  本稿では,オンライン分類器を更新するためのメモリベースのオンラインインクリメンタル学習手法を提案する。 提案手法は,現在の最先端技術と比較して10%近く向上し,モデル精度の顕著な向上を実現している。
  論文  参考訳（メタデータ） (2024-05-03T17:13:26Z)
• Consistency Regularization for Generalizable Source-free Domain Adaptation [62.654883736925456]
  ソースフリードメイン適応(source-free domain adapt, SFDA)は、ソースデータセットにアクセスすることなく、十分にトレーニングされたソースモデルを未学習のターゲットドメインに適応することを目的としている。 既存のSFDAメソッドは、ターゲットのトレーニングセット上で適用されたモデルを評価し、目に見えないが同一の分散テストセットからデータを無視する。 より一般化可能なSFDA法を開発するための整合正則化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-03T07:45:53Z)
• 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)
• 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)
• BREEDS: Benchmarks for Subpopulation Shift [98.90314444545204]
  本研究では,人口変動に対するモデルのロバスト性を評価する手法を開発した。 既存のデータセットの基盤となるクラス構造を利用して、トレーニングとテストの分散を構成するデータサブポピュレーションを制御する。 この手法をImageNetデータセットに適用し、様々な粒度のサブポピュレーションシフトベンチマークスイートを作成する。
  論文  参考訳（メタデータ） (2020-08-11T17:04:47Z)

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。