論文の概要: You Are What You Prompt: Prompt Quality, Domain Shift, and Uncertainty in Agrifood Vision-Language Models

• arxiv url: http://arxiv.org/abs/2608.18116v1
• Date: Wed, 01 Jul 2026 10:25:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.258711
• Title: You Are What You Prompt: Prompt Quality, Domain Shift, and Uncertainty in Agrifood Vision-Language Models
• Title（参考訳）: You Are You Prompt: Prompt Quality, Domain Shift, and Uncertainity in Agrifood Vision-Language Models
• Abstract要約: ZPE(Zero-shot Prompt Ensembling)は、識別シグナルによるプロンプトの重み付けによってこの問題に対処するが、ドメインシフト時の振る舞いは未解明のままである。 4つのデータセットと4つのプロンプトプールにまたがるCLIPとSigLIPを用いて,アグリフード領域のZPEを評価し,その分布と分布の異なる農業指標について検討した。 ZPEはID条件下では限られた利点を提供するが、ドメインシフト時のパフォーマンスとキャリブレーションを大幅に改善し、51-52のドメイン固有のプールは247-426のジェネリックプールより一貫して優れている。
• 参考スコア（独自算出の注目度）: 1.1266249456988806
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Vision-language models enable zero-shot classification through natural language prompts, but performance is sensitive to prompt formulation, especially in specialized domains. Zero-shot Prompt Ensembling (ZPE) addresses this by weighting prompts by discriminative signal, yet its behavior under domain shift remains unexplored. We evaluate ZPE in the agrifood domain using CLIP and SigLIP across four datasets and four prompt pools, spanning in-distribution (ID) food and out-of-distribution agricultural benchmarks. ZPE provides limited benefit under ID conditions but substantially improves performance and calibration under domain shift, where domain-specific pools of 51-52 prompts consistently outperform generic pools of 247-426. Lexical analysis shows that ZPE acts as an unsupervised domain-alignment detector without label access. We further introduce PID (Prompt-based Inconsistency Detection), which repurposes prompt disagreement as epistemic uncertainty, improving failure detection under severe domain shift where standard confidence measures collapse.
• Abstract（参考訳）: 視覚言語モデルは、自然言語のプロンプトを通じてゼロショット分類を可能にするが、特に特殊領域において、性能は迅速な定式化に敏感である。 ZPE(Zero-shot Prompt Ensembling)は、識別シグナルによるプロンプトの重み付けによってこの問題に対処するが、ドメインシフト時の振る舞いは未解明のままである。 4つのデータセットと4つのプロンプトプールにまたがるCLIPとSigLIPを用いて,アグリフード領域のZPEを評価し,その分布と分布の異なる農業指標について検討した。 ZPEはID条件下では限られた利点を提供するが、ドメインシフト時のパフォーマンスとキャリブレーションを大幅に改善し、51-52のドメイン固有のプールは247-426のジェネリックプールより一貫して優れている。 語彙解析により、ZPEはラベルアクセスなしで、教師なしのドメインアライメント検出器として機能することが示された。 さらに,PID(Prompt-based Inconsistency Detection)を導入し,不一致を先延ばし不確実性として活用し,標準信頼度が崩壊する厳しい領域シフト下での故障検出を改善する。

関連論文リスト

• Attribution-Guided Masking for Robust Cross-Domain Sentiment Classification [1.4719924357068723]
  AGM(Atribution-Guided Masking)は、微調整中に高属性のスプリアストークンを動的に検出し、ペナルティ化する訓練時間介入である。 我々の定性的分析は、AGMが@mentions、ハッシュタグ、slangといったドメイン固有のトークンへの属性を抑えることを確認した。 我々のアブレーション研究は、帰属誘導マスキングが重要な要素であることをさらに確認している。
  論文  参考訳（メタデータ） (2026-05-04T19:09:22Z)
• DSIPA: Detecting LLM-Generated Texts via Sentiment-Invariant Patterns Divergence Analysis [13.9689104714669]
  DSIPAは、制御されたスタイル変化の下で感情分布の安定性を定量化することにより、大規模言語モデル(LLM)コンテンツを検出する、トレーニング不要のフレームワークである。 ゼロショットのブラックボックス方式で動作し、2つの教師なしメトリクス、感情分布の一貫性と感情分布の保存を活用する。 本フレームワークは, ドメイン間の高度な一般化性と, 敵条件に対する強いレジリエンスを示す。
  論文  参考訳（メタデータ） (2026-04-29T06:22:08Z)
• Domain-Aware Hierarchical Contrastive Learning for Semi-Supervised Generalization Fault Diagnosis [49.89578655034085]
  本稿では,障害診断のためのドメイン認識型階層的コントラスト学習(DAHCL)という統合フレームワークを提案する。 DAHCLは、ソースドメインの幾何学的特徴を捉え、異種ソースドメイン間の擬似ラベル予測を校正する。 また,動的信頼層化とファジィコントラスト監視を組み合わせた階層型コントラスト学習モジュールを開発した。
  論文  参考訳（メタデータ） (2026-04-22T08:41:27Z)
• LAB-Det: Language as a Domain-Invariant Bridge for Training-Free One-Shot Domain Generalization in Object Detection [53.988759250627425]
  物体検出のための訓練不要なワンショット領域一般化を提案する。 我々は各例を、凍結検知器を条件付けし誘導する記述テキストに投影する。 UODD (underwater) と NEU-DET (industrial defects) についての検討
  論文  参考訳（メタデータ） (2026-02-06T08:03:04Z)
• You only need 4 extra tokens: Synergistic Test-time Adaptation for LLMs [50.54173262572369]
  大規模言語モデル (LLM) は、金融、医療、農業などの専門分野にますます導入されている。 本稿では,言語モデルに対するラベルフリーテスト時適応について検討し,追加の監督なしにモデルをオンザフライで適応する推論時フレームワークであるSyTTAについて述べる。
  論文  参考訳（メタデータ） (2025-10-11T14:00:39Z)
• SEED-GRPO: Semantic Entropy Enhanced GRPO for Uncertainty-Aware Policy Optimization [57.69385990442078]
  大規模言語モデル(LLM)は、入力プロンプト(クエスト)にまたがる様々なレベルの信頼を示す。 セマンティックエントロピー(Semantic entropy)は、プロンプトが与えられた複数の生成された回答における意味の多様性を測定し、ポリシー更新の規模を変調するためにこれを使用する。
  論文  参考訳（メタデータ） (2025-05-18T10:20:59Z)
• Open Set Domain Adaptation with Vision-language models via Gradient-aware Separation [0.6118897979046375]
  Open-Set Domain Adaptation (OSDA)は、既知のクラス分布をドメイン間で整合させるという2つの課題に直面している。 本稿では,これらの制約に対処するために,コントラスト言語-画像事前学習(CLIP)を活用することを提案する。
  論文  参考訳（メタデータ） (2025-05-16T12:31:17Z)
• SNaRe: Domain-aware Data Generation for Low-Resource Event Detection [77.32937742071475]
  事象検出は、生物医学、法学、疫学のような高度に専門化された領域での推論を可能にするために重要である。 SNaReは、Scout、Narrator、Refinerの3つのコンポーネントから構成される、ドメイン対応の合成データ生成フレームワークである。 Scoutはラベルのないターゲットドメインデータからトリガーを抽出し、高品質なドメイン固有のトリガーリストをキュレートする。 これらのトリガに条件付けされたナレーターは、高品質なドメイン整列文を生成し、Refinerは追加のイベント参照を識別する。
  論文  参考訳（メタデータ） (2025-02-24T18:20:42Z)

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。