論文の概要: Test-Time Augmentation for Tabular-to-Image Classifiers under Distribution Shifts

• arxiv url: http://arxiv.org/abs/2608.03557v1
• Date: Tue, 04 Aug 2026 12:26:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:23.184546
• Title: Test-Time Augmentation for Tabular-to-Image Classifiers under Distribution Shifts
• Title（参考訳）: 分布シフト下におけるタブラリ画像分類器のテスト時間拡張
• Abstract要約: テスト時間拡張(TTA)は、モデルロバスト性を改善するために画像分類において効果的なアプローチである。 本研究は,表在像法により生成された表現に対して,OF-Distribution (OOD) 下での予測性能に及ぼすTTA手法の影響を評価する。 その結果,TTAはOOD性能を向上し,高剛性と分散の最良のトレードオフを提供する複合的および測光的戦略が得られた。
• 参考スコア（独自算出の注目度）: 2.1272291601429116
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Tabular-to-image methods that convert tabular data into visual representations have emerged as a novel paradigm for leveraging the high performance of deep learning models. Despite their advantages, the robustness of these methods under distribution shifts remains under explored. Test-Time Augmentation (TTA) is an effective approach in image classification to improve model generalization and robustness, where predictions over multiple transformed views of each input are aggregated. This work evaluates the impact of TTA techniques on predictive performance under Out-Of-Distribution (OOD) for representations generated by tabular-to-image methods. Six tabular-to-image encoding methods were considered: TINTO, IGTD, DeepInsight, BIE, DistanceMatrix, Fotomics. Twenty-five TTA techniques were used, organized into six types: Geometric, Photometric, Structural, Frequency/Encoding, Mixup, and Composite. We employed two datasets from the TableShift benchmark (HELOC and Voting) that provide in-distribution and OOD test subsets designed to evaluate the effect of distribution shifts on tabular data. The results indicate that TTA improves OOD performance, with composite and photometric strategies providing the best trade-off between robustness and variance. In contrast, frequency-domain transformations that alter the encoder's feature-to-intensity mapping consistently degrade performance. These findings highlight TTA as a promising approach for improving the robustness and generalization of classifiers trained on image representations derived from tabular data, particularly under distribution shifts.
• Abstract（参考訳）: 表形式データを視覚表現に変換するタブラル・ツー・イメージ法は,ディープラーニングモデルの性能向上のための新しいパラダイムとして登場した。 それらの利点にもかかわらず、分布シフトの下でのこれらの手法の堅牢性はまだ検討中である。 テスト時間拡張(TTA)は、モデル一般化とロバスト性を改善するために画像分類において有効なアプローチであり、各入力の複数の変換されたビューに対する予測が集約される。 本研究は,表在像法により生成された表現に対して,OF-Distribution (OOD) 下での予測性能に及ぼすTTA手法の影響を評価する。 TINTO, IGTD, DeepInsight, BIE, DistanceMatrix, Fotomics の6つの表型画像符号化方式が検討された。 TTA技術は、幾何学、測光、構造、周波数/エンコーディング、混合、複合の計25種類に分類された。 そこで我々はTableShiftベンチマーク(HELOCとVoting)から得られた2つのデータセットを用いて,分布シフトが表データに与える影響を評価する。 その結果,TTAはOOD性能を向上し,高剛性と分散の最良のトレードオフを提供する複合的および測光的戦略が得られた。 対照的に、エンコーダのフィーチャ-インテンシティマッピングを変更する周波数-ドメイン変換は、常に性能を低下させる。 これらの結果から,TTAは,特に分布シフト下での表層データから得られる画像表現に基づいて訓練された分類器の堅牢性と一般化を改善するための有望なアプローチであることが示された。

関連論文リスト

• TabSOM: A tabular-to-image encoding method based on self-organizing maps [0.9954435559869313]
  Tabular-to-image法は畳み込みニューラルネットワークと視覚変換器の高い予測性能を活用する新しい手法である。 自己組織化マップ(SOM)上に構築された空間画像符号化であるTabSOMを提案する。 SOM由来の2つの解釈可能性アプローチが導入された。プロトタイプにインスパイアされた部分依存プロットとクラス分離の重要度スコアである。
  論文  参考訳（メタデータ） (2026-08-13T17:35:37Z)
• GS-Bias: Global-Spatial Bias Learner for Single-Image Test-Time Adaptation of Vision-Language Models [49.598380958154706]
  Global-Spatial Bias Learner (GS-Bias)は、TTA中に2つの学習可能なバイアスを組み込んだ、効率的かつ効果的なTTAパラダイムである。 GS-Biasは15のベンチマークデータセット上で最先端のパフォーマンスを達成しながら高い効率を達成する。
  論文  参考訳（メタデータ） (2025-07-16T07:02:45Z)
• Table2Image: Interpretable Tabular Data Classification with Realistic Image Transformations [5.62508658491325]
  本稿では,表形式のデータをリアルかつ多様な画像表現に変換する新しいフレームワークであるTable2Imageを紹介する。 また、元のデータとその変換された画像表現からの洞察を統合する、解釈可能性フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-09T07:24:31Z)
• TexIm FAST: Text-to-Image Representation for Semantic Similarity Evaluation using Transformers [2.7651063843287718]
  TexIm FASTは、トランスフォーマー(TexIm FAST)を用いた意味評価のための自己教師付き変分自動エンコーダ(VAE)による固定長表現を生成する新しい手法である。 画像表現は、言語的な複雑さを維持しながら、暗黙の推論を可能にし、クロスモーダルな応用において強力である。 TexIm FASTの有効性は、MSRPC、CNN/Daily Mail、XSumデータセット上でのセマンティックテキスト類似性(STS)のタスクに対して広く分析されている。
  論文  参考訳（メタデータ） (2024-06-06T18:28:50Z)
• Dynamic Visual Semantic Sub-Embeddings and Fast Re-Ranking [0.5242869847419834]
  情報エントロピーを低減するために動的ビジュアルセマンティックサブエンベッドディングフレームワーク(DVSE)を提案する。 生成した候補埋め込みに様々な意味的変動を捉えるよう促すため,混合分布を構築した。 3つのベンチマークデータセット上の4つの画像特徴エンコーダと2つのテキスト特徴エンコーダを用いて,既存のセットベース手法と比較した。
  論文  参考訳（メタデータ） (2023-09-15T04:39:11Z)
• Benchmarking Test-Time Adaptation against Distribution Shifts in Image Classification [77.0114672086012]
  テスト時間適応(TTA)は、予測時にのみラベルのないサンプルを活用することにより、モデルの一般化性能を向上させる技術である。 本稿では,広く使用されている5つの画像分類データセット上で,13のTTA手法とその変種を体系的に評価するベンチマークを提案する。
  論文  参考訳（メタデータ） (2023-07-06T16:59:53Z)
• A Simplified Framework for Contrastive Learning for Node Representations [2.277447144331876]
  グラフにノードを埋め込むために,グラフニューラルネットワークと組み合わせてコントラスト学習を展開できる可能性を検討する。 組込み行列の単純なカラムワイド後処理により, 組込み結果の品質とトレーニング時間を大幅に改善できることを示す。 この修正により、下流の分類タスクは最大1.5%改善され、8つの異なるベンチマークのうち6つで既存の最先端のアプローチに勝っている。
  論文  参考訳（メタデータ） (2023-05-01T02:04:36Z)
• Masked Images Are Counterfactual Samples for Robust Fine-tuning [77.82348472169335]
  微調整の深層学習モデルは、分布内(ID)性能と分布外(OOD)堅牢性の間のトレードオフにつながる可能性がある。 そこで本研究では,マスク付き画像を対物サンプルとして用いて,ファインチューニングモデルのロバスト性を向上させる新しいファインチューニング手法を提案する。
  論文  参考訳（メタデータ） (2023-03-06T11:51:28Z)
• Vision Transformers are Robust Learners [65.91359312429147]
  ビジョントランスフォーマー(ViT)の一般的な腐敗や摂動、分布シフト、自然逆転例に対する堅牢性について検討します。 ViTsが実際により堅牢な学習者である理由を説明するために、定量的および定性的な指標を提供する分析を提示します。
  論文  参考訳（メタデータ） (2021-05-17T02:39:22Z)
• Seed the Views: Hierarchical Semantic Alignment for Contrastive Representation Learning [116.91819311885166]
  一つの画像から生成されたビューをtextbfCross-samples や Multi-level representation に拡張することで,階層的なセマンティックアライメント戦略を提案する。 提案手法はCsMlと呼ばれ,サンプル間の多層視覚表現を堅牢な方法で統合する機能を備えている。
  論文  参考訳（メタデータ） (2020-12-04T17:26:24Z)
• Deep Semantic Matching with Foreground Detection and Cycle-Consistency [103.22976097225457]
  深層ネットワークに基づく弱い教師付きセマンティックマッチングに対処する。 本研究では,背景乱れの影響を抑えるために,前景領域を明示的に推定する。 複数の画像にまたがって予測変換を強制し、幾何的に可視かつ一貫したサイクル一貫性の損失を発生させる。
  論文  参考訳（メタデータ） (2020-03-31T22:38:09Z)

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。