論文の概要: Domain Recentering and Confidence-Weighted Prior Calibration for Vision-Language Models

• arxiv url: http://arxiv.org/abs/2609.29358v1
• Date: Thu, 24 Sep 2026 10:37:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.844721
• Title: Domain Recentering and Confidence-Weighted Prior Calibration for Vision-Language Models
• Title（参考訳）: ビジョンランゲージモデルのための領域更新と信頼度重み付き事前校正
• Abstract要約: トレーニング不要キャリブレーションは、即時学習のサンプルごとの最適化を回避するが、以前の機能キャリブレーションは、各イメージに1つのハードクラスタの完全なバイアスを与える。 未ラベル対象画像からCLIPを適応させる訓練不要な手法であるDomain recentering with Confidence (DRC)を提案する。 DRCは、ViT-B/16とResNet-50で0ショットCLIPを4.13倍、5.07ポイント超えるクロスドメインデータセットの平均精度を達成している。
• 参考スコア（独自算出の注目度）: 3.746694586428481
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-language models such as CLIP achieve strong zero-shot classification, yet under distribution shift, visual embeddings drift from fixed text embeddings. Training-free calibration avoids the per-sample optimization of prompt learning, but prior feature calibration gives each image the full bias of one hard cluster. We propose Domain Recentering with Confidence Calibration (DRC), a training-free method adapting CLIP from a set of unlabeled target images. DRC fits a Gaussian mixture once and subtracts from each embedding a posterior-weighted average of component means. It then removes residual class preference with a log-prior correction, estimating the prior from confidence-weighted predictions. Among compared methods, DRC achieves the highest average accuracy on cross-domain datasets, exceeding zero-shot CLIP by 4.13 and 5.07 points with ViT-B/16 and ResNet-50, with gains over CLIP also holding under ImageNet distribution shifts.
• Abstract（参考訳）: CLIPのような視覚言語モデルは、強いゼロショット分類を実現するが、分散シフトの下では、固定されたテキスト埋め込みから視覚的な埋め込みがドリフトする。 トレーニング不要キャリブレーションは、即時学習のサンプルごとの最適化を回避するが、以前の機能キャリブレーションは、各イメージに1つのハードクラスタの完全なバイアスを与える。 未ラベル対象画像からCLIPを適応させる訓練不要な手法であるDomain recentering with Confidence Calibration (DRC)を提案する。 DRCはガウス混合体に一度適合し、各埋め込みから部品手段の後方重み平均を減算する。 その後、ログプライア補正によって残差クラスの選好を除去し、信頼度重み付き予測から事前を推定する。 比較した手法の中で、DRCはクロスドメインデータセットの平均精度が最も高く、ViT-B/16とResNet-50で0ショットCLIPを4.13ポイント、5.07ポイント上回る。

関連論文リスト

• When Modality Gap Reduction Fails: Prediction-Level Hubness in CLIP [9.413762502389451]
  平均的な画像テキストのギャップが小さくなれば、必ずしも一貫した精度が向上するとは限らない。 モーダリティギャップ補正はクラス間の相対的な決定構造を変化させ、クラスの小さな部分集合に集中させる。 その結果, ギャップ補正は, 平均アライメントだけでなく, 下流の予測構造への影響も評価すべきであることが示唆された。
  論文  参考訳（メタデータ） (2026-09-01T11:46:56Z)
• Predictive Spectral Calibration for Source-Free Test-Time Regression [0.764671395172401]
  Predictive Spectral (PSC) は、サブスペースアライメントを拡張してスペクトルマッチングをブロックする、ソースフリーのフレームワークである。 PSCは実装が簡単で、モデルに依存しず、市販の事前訓練された回帰器と互換性がある。
  論文  参考訳（メタデータ） (2026-03-10T08:15:44Z)
• Correctness-Optimized Residual Activation Lens (CORAL): Transferrable and Calibration-Aware Inference-Time Steering [3.7758197704962835]
  重み付きデカイプローブを用いて、モデル内部のアクティベーションから正当性信号を捕捉する正規化時間ステアリング法であるCORALを導入する。 コラルは、常に精度を10%改善し、期待キャリブレーション誤差(ECE)を平均50%改善する。 本結果は,個々のニューロンが不十分な場合,正規化プローブを用いてモデル内部の分散情報を抽出できるという仮説を支持する。
  論文  参考訳（メタデータ） (2026-02-05T18:55:56Z)
• Coresets from Trajectories: Selecting Data via Correlation of Loss Differences [14.31847187460321]
  損失差の相関(CLD)は、コアセット選択のためのスケーラブルな計量である。 CIFAR-100 と ImageNet-1k では、CLD ベースのコアセットは一般的に最先端の手法よりも優れ、あるいは密に一致している。
  論文  参考訳（メタデータ） (2025-08-27T19:18:39Z)
• Enhancing Zero-Shot Vision Models by Label-Free Prompt Distribution Learning and Bias Correcting [55.361337202198925]
  CLIPのようなヴィジュアル言語モデルは、適切なテキスト記述を使用する際に、顕著な一般化能力を示している。 本稿では,ラベル付きデータを必要としないゼロショット性能を向上する,**Frolic**と呼ばれるラベルフリーな分布学習とバイアス補正フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-25T04:00:45Z)
• CAFS: Class Adaptive Framework for Semi-Supervised Semantic Segmentation [5.484296906525601]
  半教師付きセマンティックセグメンテーションは、いくつかのラベル付きサンプルと多数のラベルなし画像を使用して、ピクセルを特定のクラスに分類するモデルを学ぶ。 半教師付きセマンティックセグメンテーション(CAFS)のためのクラス適応型セミスーパービジョンフレームワークを提案する。 CAFSはラベル付きデータセットに検証セットを構築し、各クラスの校正性能を活用する。
  論文  参考訳（メタデータ） (2023-03-21T05:56:53Z)
• Enabling Calibration In The Zero-Shot Inference of Large Vision-Language Models [58.720142291102135]
  プロンプト、データセット、アーキテクチャといった関連する変数のキャリブレーションを測定し、CLIPによるゼロショット推論が誤校正されていることを見つけます。 学習した1つの温度は、推論データセットにまたがって特定のCLIPモデルごとに一般化され、選択が促される。
  論文  参考訳（メタデータ） (2023-03-11T17:14:04Z)
• Sample-dependent Adaptive Temperature Scaling for Improved Calibration [95.7477042886242]
  ニューラルネットワークの誤りを補うポストホックアプローチは、温度スケーリングを実行することだ。 入力毎に異なる温度値を予測し、信頼度と精度のミスマッチを調整することを提案する。 CIFAR10/100およびTiny-ImageNetデータセットを用いて,ResNet50およびWideResNet28-10アーキテクチャ上で本手法をテストする。
  論文  参考訳（メタデータ） (2022-07-13T14:13:49Z)

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。