論文の概要: Explanation Stability of Test-Time Adaptation in Computational Pathology: A Large-Scale Benchmark

• arxiv url: http://arxiv.org/abs/2608.07062v1
• Date: Fri, 07 Aug 2026 10:13:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-10 16:21:25.460726
• Title: Explanation Stability of Test-Time Adaptation in Computational Pathology: A Large-Scale Benchmark
• Title（参考訳）: 計算病理におけるテスト時間適応の解法安定性:大規模ベンチマーク
• Abstract要約: テスト時間適応(TTA)は、未ラベルのターゲットデータにデプロイされたモデルを適用するための実践的な方法となっている。 ほとんどのTTA法は精度への影響で評価されるが、臨床利用はモデルの説明が適応後も信頼性が保たれるかどうかにも依存する。 本研究では,2つの病理組織学的指標であるCamelyon17とNCT CRC-HEのTTA下での安定性について検討した。
• 参考スコア（独自算出の注目度）: 9.401040751276776
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Test-time adaptation (TTA) has become a practical way to adapt deployed models to unlabeled target data, a setting that is especially relevant in computational pathology where staining, scanner, and cohort shifts are routine. While most TTA methods are evaluated by their effect on accuracy, clinical use also depends on whether the model's explanations remain reliable after adaptation. In this paper, we take a closer look at this largely unmeasured effect. We study explanation stability under TTA across two histopathology benchmarks, Camelyon17 and NCT CRC-HE, using five architectures ranging from convolutional networks to vision transformers and a pathology foundation model, seventeen TTA methods, and four attribution families. Across 2,958 adaptation runs, we observe a clear and systematic pattern: TTA methods differ sharply in how much they move model explanations, with frozen-backbone methods leaving attributions almost unchanged and continual methods such as CoTTA and RoTTA causing the largest drift. This effect is not uniform. Convolutional networks are substantially more sensitive than transformer and foundation-model backbones, and explanation drift increases with adaptation strength while remaining largely insensitive to batch size. Surprisingly, explanation stability is only weakly coupled to adaptation quality. Some methods preserve explanations almost perfectly while degrading calibration or accuracy, producing silent failures that would be missed by accuracy-only or explanation-only evaluation. These findings show that explanation stability is a distinct reliability axis for TTA in computational pathology. We release the metric, protocol, and full benchmark to support future work on adaptation methods that are not only accurate, but also stable and clinically auditable. Code: https://github.com/bahumanyarg11/tta-explanation-stability-pipeline
• Abstract（参考訳）: テスト時間適応(TTA)は、スタイリング、スキャナー、コホートシフトがルーチンである計算病理学において特に重要な設定である、ラベルのないターゲットデータにデプロイされたモデルを適用するための実践的な方法となっている。 ほとんどのTTA法は精度への影響で評価されるが、臨床利用はモデルの説明が適応後も信頼性が保たれているかどうかにも依存する。 本稿では,この未測定効果を概観する。 本研究では, コンボリューションネットワークから視覚変換器, 病理基盤モデル, 17のTTA法, 4つの属性ファミリーまでの5つのアーキテクチャを用いて, 2つの病理組織学的指標であるCamelyon17, NCT CRC-HEのTTA下での安定性について検討した。 TTA法はモデル説明の移動量に大きく違い、冷凍バックボーン法は属性がほとんど変化せず、CoTTA法やRoTTA法のような連続的な手法が最大のドリフトを引き起こしている。 この効果は均一ではない。 畳み込みネットワークは変圧器や基礎モデルのバックボーンよりもかなり敏感であり、説明ドリフトは適応強度とともに増加するが、バッチサイズにはほとんど敏感である。 驚いたことに、説明安定性は適応品質と弱く結合されているだけである。 いくつかの方法は、キャリブレーションや精度を低下させながら説明をほぼ完全に保存し、精度のみまたは説明のみの評価で見逃される無音の失敗を発生させる。 これらの結果から, 説明安定性は, 計算病理学におけるTTAの信頼性軸であることが明らかとなった。 我々は、正確なだけでなく、安定し、臨床的に監査可能な適応手法の今後の開発を支援するために、メトリック、プロトコル、および完全なベンチマークをリリースする。 コード:https://github.com/ba humanyarg11/tta-explanation-stability-pipeline

関連論文リスト

• When Test-Time Adaptation Helps, Harms, or Becomes Inactive: A Condition-Level Study on CIFAR-10-C [0.0]
  テスト時間適応(TTA)は、未ラベルのテストデータを用いてソースモデルを適用することにより、分散シフト下でのモデルロバスト性を改善することを目的としている。 本稿では,BatchNorm-statistics Adapt(BN-Adapt),Entropy-minimization Adapt(TENT),Reliability-statistics Adapt(EATA)の3つのTTA戦略の比較を行った。 3つの手法はすべて、ソースモデルの平均精度を12.2-13.3ポイント向上させる(Wilcoxon sign-rank $p 10-12$)。
  論文  参考訳（メタデータ） (2026-08-23T06:06:38Z)
• Multi-Hypothesis Test-Time Adaptation to Mitigate Underspecification [36.471308624288035]
  テスト時間適応(TTA)は、未ラベルのターゲットデータを用いてパラメータを適応させることにより、分散シフト下でのモデルロバスト性を改善することを目指している。 複数の異なるパラメータの更新は同様に低いエントロピーを達成し、決定境界を劇的に異なるものにする。 エントロピー最小化によって誘導される後部インスパイアされたレンズを通してTTAを再解釈し,低エントロピー解がパラメータ上の擬似類似性を定義する。
  論文  参考訳（メタデータ） (2026-06-30T23:12:36Z)
• Test-Time Adaptation by Causal Trimming [25.388362454409833]
  テストタイム適応は、分散シフトの下でモデルの堅牢性を改善することを目的としている。 因果トリミング(TACT)によるテスト時間適応の導入 TACTは、因果的特徴を保存し、非因果的特徴を変動させるデータ拡張を適用している。 それは一貫して最先端の手法を著しく上回っている。
  論文  参考訳（メタデータ） (2025-10-13T08:22:38Z)
• Adapt in the Wild: Test-Time Entropy Minimization with Sharpness and Feature Regularization [85.50560211492898]
  テスト時適応(TTA)は、テストデータが分散シフトが混在している場合、モデルの性能を改善または損なう可能性がある。 これはしばしば、既存のTTAメソッドが現実世界にデプロイされるのを防ぐ重要な障害である。 両面からTTAを安定化させるため,SARと呼ばれる鋭く信頼性の高いエントロピー最小化手法を提案する。
  論文  参考訳（メタデータ） (2025-09-05T10:03:00Z)
• Persistent Test-time Adaptation in Recurring Testing Scenarios [12.024233973321756]
  現在のテスト時間適応(TTA)アプローチは、継続的に変化する環境に機械学習モデルを適用することを目的としている。 しかし,TTA法が長期にわたって適応性を維持することができるかどうかは不明である。 本稿では,モデルが崩壊に向かって変動していることを検知し,適応戦略を調整する永続的TTA(PeTTA)を提案する。
  論文  参考訳（メタデータ） (2023-11-30T02:24:44Z)
• Test-Time Adaptation Induces Stronger Accuracy and Agreement-on-the-Line [65.14099135546594]
  最近のテスト時間適応 (TTA) 法は, モデルに非常に弱い相関関係を示すシフトであっても, ACL と AGL の傾向を大幅に強化する。 この結果から,TTAとAGLに基づく推定手法を組み合わせることで,より広い分布シフトの集合に対する高精度なモデルOOD性能を推定できることが示唆された。
  論文  参考訳（メタデータ） (2023-10-07T23:21:25Z)
• 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)
• On Pitfalls of Test-Time Adaptation [82.8392232222119]
  TTA(Test-Time Adaptation)は、分散シフトの下で堅牢性に取り組むための有望なアプローチとして登場した。 TTABは,10の最先端アルゴリズム,多種多様な分散シフト,および2つの評価プロトコルを含むテスト時間適応ベンチマークである。
  論文  参考訳（メタデータ） (2023-06-06T09:35:29Z)
• Towards Stable Test-Time Adaptation in Dynamic Wild World [60.98073673220025]
  テスト時間適応(TTA)は、与えられたモデルをテストサンプルに適応させることで、トレーニングとテストデータの分散シフトに取り組むのに有効であることが示されている。 TTAのオンラインモデル更新は不安定であり、これはしばしば既存のTTAメソッドが現実世界にデプロイされるのを防ぐ重要な障害である。
  論文  参考訳（メタデータ） (2023-02-24T02:03:41Z)
• DLTTA: Dynamic Learning Rate for Test-time Adaptation on Cross-domain Medical Images [56.72015587067494]
  DLTTAと呼ばれるテスト時間適応のための新しい動的学習率調整法を提案する。 本手法は,現在最先端のテスト時間適応法よりも一貫した性能向上を図り,有効かつ高速なテスト時間適応を実現する。
  論文  参考訳（メタデータ） (2022-05-27T02:34:32Z)

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。