論文の概要: Fairness-Aware Test-Time Prompt Tuning

• arxiv url: http://arxiv.org/abs/2608.25707v1
• Date: Wed, 26 Aug 2026 12:26:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.818584
• Title: Fairness-Aware Test-Time Prompt Tuning
• Title（参考訳）: フェアネスを考慮したテストタイムプロンプトチューニング
• Abstract要約: 本研究は,FairTPTと呼ばれる新しいフェアネス認識型テストタイムデバイアス法を開発した。 TTAは概して多数派と少数派の格差を悪化させる。 FairTPTは最先端のエピソードテストタイムデバイアス法を全て上回り、堅牢なTTAの基礎を確立している。
• 参考スコア（独自算出の注目度）: 4.494887082521271
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Vision-language models have displayed remarkable capabilities in multi-modal understanding and are increasingly used in critical applications where economic and practical deployment constraints prohibit re-training or fine-tuning. However, these models can also exhibit systematic biases that disproportionately affect protected demographic groups and existing approaches to addressing these biases require extensive model retraining and access to demographic attributes. There is a clear need to develop test-time adaptation (TTA) approaches that improve the fairness characteristics of pretrained models under distributional shift. In this paper, we evaluate how episodic TTA affects fairness in CLIP classification under subpopulation shifts and develop FairTPT, a novel fairness-aware episodic TTA method that jointly minimizes target marginal entropy while maximizing spurious marginal entropy through soft-prompt tuning. We find that standard episodic TTA generally exacerbates disparities between majority and minority groups, that blinding a model to spurious attributes without degrading target performance is inherently challenging, and that excessive blinding can lead to catastrophic forgetting. This model collapse can be prevented by monitoring test-time changes in target loss within the linear regime, while still achieving fairness improvements on reactive data and preserving overall performance. FairTPT outperforms all state-of-the-art episodic test-time debiasing methods and establishes a foundation for robust TTA, which is essential for achieving fairness in practice.
• Abstract（参考訳）: 視覚言語モデルは、マルチモーダル理解において顕著な能力を示しており、経済的および実践的な展開制限が再訓練や微調整を禁止している重要なアプリケーションにおいて、ますます利用されている。 しかし、これらのモデルはまた、保護された人口集団に不均等に影響を及ぼす体系的なバイアスを示すことができ、これらのバイアスに対処するためには、広範囲なモデルの再訓練と人口統計属性へのアクセスが必要である。 分散シフト下での事前学習モデルの公平性特性を改善するために、テスト時間適応(TTA)アプローチを開発する必要があることは明らかである。 本稿では,CLIP分類におけるTTAが,サブポピュレーションシフト下での公平性にどのように影響するかを評価するとともに,ソフト・プロンプト・チューニングによる刺激的辺縁エントロピーを最大化しつつ,目標辺縁エントロピーを最大化する新しいフェアネス対応TTA法であるFairTPTを開発する。 TTAは一般に、多数派と少数派の格差を悪化させ、目標性能を低下させることなく、モデルに属性を刺激するブラインドが本質的に困難であり、過剰なブラインドが破滅的な忘れを招きかねないことに気付きました。 このモデル崩壊は、線形状態における目標損失の試験時間変化を監視しながら、リアクティブデータの公平性を改善し、全体的なパフォーマンスを保ちながら防止することができる。 FairTPTは、最先端のエピソードテストタイムデバイアス法を全て上回り、実際に公正を達成するために不可欠な堅牢なTTAの基礎を確立する。

関連論文リスト

• Amortized Predictability-aware Training Framework for Time Series Forecasting and Classification [10.816479922364097]
  時系列予測 (TSF) と時系列分類 (TSC) の双方に対して, 一般的なアモータイズ予測可能性を考慮したトレーニングフレームワーク (APTF) を提案する。 APTFは2つの重要な設計を導入し、予測可能性の低いモデルから適切な学習をしながら、モデルが高い予測可能性のサンプルに集中できるようにする。
  論文  参考訳（メタデータ） (2026-02-18T06:59:05Z)
• Fair Context Learning for Evidence-Balanced Test-Time Adaptation in Vision-Language Models [10.45965859391796]
  テスト時間適応(TTA)は、ラベルのないテストサンプルのみを使用して堅牢性を改善することを目的としている。 ほとんどのプロンプトベースのTTA法はエントロピーの最小化に依存している。 本研究では,共有エビデンスバイアスに明示的に対処することにより,エントロピーの最小化を回避するフェアコンテキスト学習(FCL)を提案する。
  論文  参考訳（メタデータ） (2026-02-02T16:02:50Z)
• Dual-level Modality Debiasing Learning for Unsupervised Visible-Infrared Person Re-Identification [59.59359638389348]
  本稿では,モデルと最適化の両レベルでのデバイアス処理を実装したデュアルレベルのモダリティ・デバイアス学習フレームワークを提案する。 ベンチマークデータセットの実験では、DMDLはモダリティ不変の特徴学習とより一般化されたモデルを可能にすることを示した。
  論文  参考訳（メタデータ） (2025-12-03T12:43:16Z)
• CLIPTTA: Robust Contrastive Vision-Language Test-Time Adaptation [15.732351927470452]
  CLIPのような視覚言語モデル(VLM)は、強いゼロショット能力を示すが、分散シフトの下では一般化に失敗することが多い。 テスト時間適応(TTA)は、一般にエントロピーの最小化を通じて、ラベル付きデータなしで推論時にモデルを更新することを可能にする。 CLIPTTAは,CLIPの事前学習目標に沿ったソフトコントラスト損失を利用する視覚言語モデルのための,新しい勾配に基づくTTA手法である。
  論文  参考訳（メタデータ） (2025-07-18T18:32:17Z)
• R-TPT: Improving Adversarial Robustness of Vision-Language Models through Test-Time Prompt Tuning [69.72249695674665]
  視覚言語モデル(VLM)のためのロバストテスト時プロンプトチューニング(R-TPT)を提案する。 R-TPTは、推論段階における敵攻撃の影響を緩和する。 プラグアンドプレイの信頼性に基づく重み付きアンサンブル戦略を導入し,防御強化を図る。
  論文  参考訳（メタデータ） (2025-04-15T13:49:31Z)
• Fairness-Aware Low-Rank Adaptation Under Demographic Privacy Constraints [4.647881572951815]
  事前訓練された基礎モデルはローランド適応(LoRA)を用いて特定のタスクに適応することができる 既存のフェアネスを意識した微調整手法は、機密属性や予測器への直接アクセスに依存している。 分散方式でトレーニング可能なLoRAベースの微調整手法のセットを紹介する。
  論文  参考訳（メタデータ） (2025-03-07T18:49:57Z)
• MITA: Bridging the Gap between Model and Data for Test-time Adaptation [68.62509948690698]
  テスト時間適応(TTA)は、モデルの一般化性を高めるための有望なパラダイムとして登場した。 本稿では,Met-In-The-MiddleをベースとしたMITAを提案する。
  論文  参考訳（メタデータ） (2024-10-12T07:02:33Z)
• Identifying and Mitigating Social Bias Knowledge in Language Models [52.52955281662332]
  個々人の社会的偏見をきめ細かなキャリブレーションを可能にする新しいデバイアス・アプローチであるFairness Stamp(FAST)を提案する。 FASTは最先端のベースラインを超え、デバイアス性能が優れている。 これは、大きな言語モデルにおける公平性を達成するためのきめ細かいデバイアス戦略の可能性を強調している。
  論文  参考訳（メタデータ） (2024-08-07T17:14:58Z)
• Low-rank finetuning for LLMs: A fairness perspective [54.13240282850982]
  低ランク近似技術は、微調整された大規模言語モデルのデファクトスタンダードとなっている。 本稿では,これらの手法が初期訓練済みデータ分布から微調整データセットのシフトを捉える上での有効性について検討する。 低ランク微調整は好ましくない偏見や有害な振る舞いを必然的に保存することを示す。
  論文  参考訳（メタデータ） (2024-05-28T20:43:53Z)
• TEA: Test-time Energy Adaptation [67.4574269851666]
  テスト時間適応(TTA)は、テストデータがトレーニング分布から分岐する際のモデル一般化性を改善することを目的としている。 本稿では,対象データ分布に対するモデルによる認識を高めるための,新しいエネルギーベース視点を提案する。
  論文  参考訳（メタデータ） (2023-11-24T10:49:49Z)

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。