論文の概要: Reliable Neural Collapse Approximation for Open-World Test-Time Adaptation

• arxiv url: http://arxiv.org/abs/2608.19890v1
• Date: Thu, 20 Aug 2026 10:57:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-21 20:28:51.535708
• Title: Reliable Neural Collapse Approximation for Open-World Test-Time Adaptation
• Title（参考訳）: オープンワールドテスト時間適応のための信頼性ニューラル崩壊近似
• Abstract要約: Test-Time Adaptation (TTA)メソッドは、ソースとターゲットドメイン間のドメインギャップを埋めることを目的としている。 従来のTTA法はラベルの分布シフトが発生すると効果が低下する。 オープンワールドテスト時間適応のためのReliable Neural Collapse approximation (ReNC) という新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 95.55552104238787
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Test-Time Adaptation (TTA) methods aim to bridge the domain gap between the source and target domains. However, traditional TTA methods become ineffective when the label distribution shift occurs, a challenge commonly referred to as an open-world scenario. In this paper, we introduce a new method named Reliable Neural Collapse approximation (ReNC) for Open-World Test-Time Adaptation (OWTTA). Specifically, we leverage neural collapse as a structural prior for reliable target-domain adaptation. Guided by this prior, we justify that the pre-trained classifier weights can serve as the prototypes of the source domain. By measuring the similarity between samples and prototypes, we filter out the Out-Of-Distribution~(OOD) samples for reliable updates. Furthermore, we propose a neural collapse approximation mechanism to refine these prototypes, ensuring they can gradually adapt to the target domain while maintaining the neural collapse structure. Extensive experiments on several open-world benchmarks demonstrate the superiority of the proposed method. Our empirical analysis suggests that ReNC better preserves NC-related properties in the target domain, providing useful evidence for explaining reliable OWTTA and offering new insights for model design. Code is available at https://github.com/JiaqiLin-AI/ReNC.
• Abstract（参考訳）: Test-Time Adaptation (TTA)メソッドは、ソースとターゲットドメイン間のドメインギャップを埋めることを目的としている。 しかし、従来のTTA手法はラベルの分布シフトが起こると効果がなくなるため、一般にはオープンワールドシナリオと呼ばれる。 本稿では,Open-World Test-Time Adaptation (OWTTA) のためのReliable Neural Collapse Approximation (ReNC) という新しい手法を提案する。 具体的には、信頼性の高いターゲットドメイン適応のための構造的事前として、神経崩壊を利用する。 この事前のガイドにより、事前訓練された分類器の重みが、ソースドメインのプロトタイプとして機能することを正当化する。 サンプルとプロトタイプの類似性を測定することで、信頼性の高い更新のためにOut-Of-Distribution~(OOD)サンプルをフィルタリングする。 さらに、これらのプロトタイプを改良し、神経崩壊構造を維持しながら、ターゲット領域に徐々に適応できるように、神経崩壊近似機構を提案する。 いくつかのオープンワールドベンチマークでの大規模な実験は、提案手法の優位性を実証している。 我々の実証分析は、ReNCがターゲットドメインのNC関連プロパティをよりよく保存し、信頼性の高いOWTTAの説明とモデル設計のための新たな洞察を提供するのに役立つことを示唆している。 コードはhttps://github.com/JiaqiLin-AI/ReNCで入手できる。

関連論文リスト

• Back to Source: Open-Set Continual Test-Time Adaptation via Domain Compensation [18.70132691409063]
  Test-Time Adaptationは、推論時間におけるトレーニングとテストドメイン間の分散シフトを軽減することを目的としている。 ドメインとセマンティックシフトの結合は、しばしば特徴空間を崩壊させ、分類とアウト・オブ・ディストリビューションの検出の両方を著しく劣化させる。 ドメイン適応とOOD検出を相乗的で閉ループで堅牢に行う軽量かつ効果的なフレームワークであるDOCOを提案する。
  論文  参考訳（メタデータ） (2026-04-23T15:29:29Z)
• Neural Collapse in Test-Time Adaptation [12.636904518839303]
  Test-Time Adaptation (TTA)は、推論中にモデルをオンラインに更新することで、アウト・オブ・ディストリビューションデータに対する堅牢性を高める。 近年、ディープニューラルネットワーク(DNN)の創発的幾何学的性質としてニューラル・コラプス(NC)が提案されている。 性能劣化は, より大きな分布シフトの下で悪化する適応のサンプルワイズミスアライメントに起因していると確認した。 我々は,信頼できない擬似ラベルの影響を軽減するために,ハイブリッドターゲットを用いた特徴分類器アライメント手法であるNCTTAを提案する。
  論文  参考訳（メタデータ） (2025-12-11T08:34:58Z)
• Dynamic Prompt Allocation and Tuning for Continual Test-Time Adaptation [29.931721498877483]
  連続的テスト時間適応(CTTA)は、最近、継続的に進行するターゲット分布に適応するために出現している。 既存の手法は通常、モデルパラメータの変動を制限するために明示的な正規化項を含む。 学習可能なドメイン固有のプロンプトを導入し、モデルが対応する対象ドメインに適応するように誘導する。
  論文  参考訳（メタデータ） (2024-12-12T14:24:04Z)
• Enhancing Test Time Adaptation with Few-shot Guidance [62.49199492255226]
  深層ニューラルネットワークは、トレーニング(ソース)とテスト(ターゲット)データのドメインシフトに直面しながら、大きなパフォーマンス低下に直面することが多い。 TTA(Test Time Adaptation)法は,事前学習したソースモデルを用いて,配信外ストリーミングターゲットデータを処理する手法として提案されている。 本稿では,Few-Shot Test Time Adaptation (FS-TTA) を開発した。
  論文  参考訳（メタデータ） (2024-09-02T15:50:48Z)
• Backpropagation-free Network for 3D Test-time Adaptation [42.469853469556966]
  テスト時間適応(TTA)法は、計算的に重く、メモリ集約的なバックプロパゲーションに基づくアプローチを適用する傾向がある。 本稿では,TTAのバックプロパゲーションフリーアプローチを3次元データの特定の場合に適用する手法を提案する。
  論文  参考訳（メタデータ） (2024-03-27T10:50:24Z)
• Activate and Reject: Towards Safe Domain Generalization under Category Shift [71.95548187205736]
  カテゴリーシフト(DGCS)下における領域一般化の実践的問題について検討する。 未知のクラスサンプルを同時に検出し、ターゲットドメイン内の既知のクラスサンプルを分類することを目的としている。 従来のDGと比較すると,1)ソースクラスのみを用いたトレーニングにおいて,未知の概念を学習する方法,2)ソーストレーニングされたモデルを未知の環境に適応する方法,の2つの新しい課題に直面している。
  論文  参考訳（メタデータ） (2023-10-07T07:53:12Z)
• Distill-SODA: Distilling Self-Supervised Vision Transformer for Source-Free Open-Set Domain Adaptation in Computational Pathology [12.828728138651266]
  スライド画像全体から手動の組織タイピングを減らすためには,計算病理モデルの開発が不可欠である。 本稿では,上記の課題に対処して,オープンソースフリーなオープンセットドメイン適応という現実的な設定を提案する。 提案手法は,事前学習したソースモデルをラベルなしのターゲットデータセットに適応させることに重点を置いている。
  論文  参考訳（メタデータ） (2023-07-10T14:36:51Z)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)
• Low-confidence Samples Matter for Domain Adaptation [47.552605279925736]
  ドメイン適応(DA)は、知識をラベルの豊富なソースドメインから関連するがラベルの少ないターゲットドメインに転送することを目的としている。 低信頼度サンプルの処理による新しいコントラスト学習法を提案する。 提案手法を教師なしと半教師付きの両方のDA設定で評価する。
  論文  参考訳（メタデータ） (2022-02-06T15:45:45Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• Do We Really Need to Access the Source Data? Source Hypothesis Transfer for Unsupervised Domain Adaptation [102.67010690592011]
  Unsupervised adaptUDA (UDA) は、ラベル付きソースデータセットから学んだ知識を活用して、新しいラベル付きドメインで同様のタスクを解決することを目的としている。 従来のUDAメソッドは、モデルに適応するためには、通常、ソースデータにアクセスする必要がある。 この作業は、訓練済みのソースモデルのみが利用できる実践的な環境に取り組み、ソースデータなしでそのようなモデルを効果的に活用してUDA問題を解決する方法に取り組みます。
  論文  参考訳（メタデータ） (2020-02-20T03:13:58Z)

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。