論文の概要: Query-Conditioned Prototype Adaptation for Cross-Domain Few-Shot Learning: Single-Query Inference, Controlled Comparisons, and Failure Modes

• arxiv url: http://arxiv.org/abs/2609.30769v1
• Date: Fri, 25 Sep 2026 03:49:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.222949
• Title: Query-Conditioned Prototype Adaptation for Cross-Domain Few-Shot Learning: Single-Query Inference, Controlled Comparisons, and Failure Modes
• Title（参考訳）: クロスドメインFew-Shot学習のためのクエリ記述型プロトタイプ適応:単一クエリ推論、比較制御、失敗モード
• Abstract要約: ドメイン間数ショットの学習では、ターゲット時間パラメータを更新せずにラベル付けされたごくわずかな例から、分類器を新しいビジュアルドメインに適応する必要がある。 Inside-Instance Prototypeal Transformer (WIPT) を実装し,テストタイムのプロトタイプ適応を実装した。 WIPTはラベル付きサポート埋め込みを変換し、クエリ固有のクラス手段を形成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross-domain few-shot learning requires adapting a classifier to a new visual domain from very few labelled examples without target-time parameter updates. We isolate one question: under a fixed global representation, what does joint query-support adaptation contribute to prototype construction? The Within-Instance Prototypical Transformer (WIPT) implements single-query test-time prototype adaptation by jointly transforming one unlabelled query and the labelled support embeddings, then forming query-specific class means. Using a shared frozen ViT-S/16 encoder, miniImageNet source training, and CUB, EuroSAT and ISIC targets, we replicate the key comparisons across five independent training seeds. In 1-shot evaluation, WIPT improves frozen ProtoNet in every run on CUB (+0.21 percentage points) and EuroSAT (+2.07), but decreases ISIC (-0.22). In 5-shot evaluation, ProtoNet remains strongest overall, while WIPT consistently improves a capacity-matched support-only Transformer on ISIC (+0.99). Joint processing of up to five queries yields no reliable accuracy gain; in a head-only 5-shot benchmark, g = 5 reduces analytical attention-token pairs by 73% and peak allocated memory by 29% relative to g = 1, although latency is non-monotonic. Across all target/shot conditions, WIPT changes uncertain ProtoNet decisions far more than confident ones, and rescue/break decomposition accounts for the observed gains and losses. Source-shift and scorer controls further show that the benefit is not universal. Overall, WIPT provides a streaming-compatible form of test-time prototype adaptation that can improve difficult low-shot cross-domain decisions without target-time optimization.
• Abstract（参考訳）: ドメイン間数ショットの学習では、ターゲット時間パラメータを更新せずにラベル付けされたごくわずかな例から、分類器を新しいビジュアルドメインに適応する必要がある。 固定されたグローバル表現の下では、共同クエリ対応適応はプロトタイプ構築に何をもたらすのか? WIPT(Inside-Instance Prototypeal Transformer)は,クエリとラベル付きサポートの埋め込みを共同で変換し,クエリ固有のクラス手段を形成することで,単一クエリのテスト時間プロトタイプを適応する。 凍結したViT-S/16エンコーダ、miniImageNetソーストレーニング、CUB、EuroSAT、ISICターゲットを使用して、5つの独立したトレーニングシード間で重要な比較を再現する。 1ショット評価では、WIPTはCUB(+0.21パーセンテージポイント)とEuroSAT(+2.07)の各ランで凍結したProtoNetを改善するが、ISIC(-0.22)は減少する。 5ショット評価では、ProtoNetは依然として最強であり、WIPTはISIC(+0.99)のキャパシティに適合したサポートのみのトランスフォーマーを一貫して改善している。 ヘッドオンリーの5ショットベンチマークでは、g = 5は分析的注意-注意対を73%削減し、メモリ割り当てピークはg = 1と比較して29%減少するが、レイテンシはモノトニックではない。 すべての目標/目標条件の中で、WIPTは信頼性以上の不確実なProtoNet決定を変更し、救難/破壊分解は観測された利得と損失を考慮に入れている。 ソースシフトとスコアラコントロールは、その利点が普遍的でないことを示す。 WIPTは、ターゲットタイムの最適化なしに、難しいローショットのクロスドメイン決定を改善することができる、ストリーミング互換なテストタイムプロトタイプ適応を提供する。

関連論文リスト

• SPeaR: Test-Time Adaptation with Steering Primitives for Realigning Representations [36.19851838462589]
  テスト時間適応(TTA)は、未ラベルのテストデータのみを使用して分散シフトに対処する。 ステージバウンダリに軽量な学習可能なモジュールを挿入し,テストストリームから直接最適化するSPeaRを紹介する。 我々は、初期の表現を操ることが最も効果的な戦略であり、同じプリミティブなトランスファーが畳み込みアーキテクチャやトランスフォーマーアーキテクチャにまたがっていることを示す。
  論文  参考訳（メタデータ） (2026-09-21T04:50:56Z)
• GATE: Reliability-Gated Gaussian Evidence Fusion for Training-Free Test-Time Adaptation of Vision-Language Models [5.025577782616721]
  GATEはトレーニングフリーの2パストランスダクティブテストタイム適応フレームワークである。 イメージエンコーダ、テキストエンコーダ、およびプロンプトパラメータを完全に凍結しながら、ラベルなしのターゲットセットを使用する。 ゼロショットのパフォーマンスは平均5.41ポイント向上し、最強の非GATEベースラインを1.94ポイント上回る。
  論文  参考訳（メタデータ） (2026-08-29T18:33:23Z)
• Architecture-Dependent Causal Transfer of Activation States Across Large Language Models [51.56484100374058]
  内部言語アクティベーション状態は、異なる大きな言語モデル間で因果的に転送することができる。 生成中に投影された活性化をターゲットモデルに注入すると、統計的に有意で事前登録された因果効果が生じる。 現在実装されているLCM間のエンド・ツー・エンドのアクティベーション・ステート・トランスファーは、ユニバーサルではなくアーキテクチャに依存していると結論付けている。
  論文  参考訳（メタデータ） (2026-08-17T09:53:27Z)
• Test-Time Prototype Adaptation for Open-Vocabulary Semantic Segmentation [5.483657589815383]
  Test-time Prototype Adaptation (TPA) は出力レベルで動作し、ホストのフォワードパスとウェイトは変更されていない。 TPAは、未ラベルのデプロイメントドメインイメージの小さなプール上で、ホスト自身の出力予測から確実なアンカーパッチを特定する。 この凍結された銀行に対する1つのコサイン類似性のルックアップは、ホストのロジットと線形に融合された補助スコアを提供する。
  論文  参考訳（メタデータ） (2026-08-08T18:51:16Z)
• DAUPNet: Domain-Aware Uncertainty Modeling for Reliable Prototype Discrimination in Cross-Domain Few-Shot Semantic Segmentation [7.464196664164986]
  DAUPNetは、不確実性を認識したプロトタイプ識別として、クロスドメインのプロトタイプマッチングを再構成する統合フレームワークである。 4つの標準ターゲットドメインでは、DAUPNetは平均mIoUの72.6%と76.7%をそれぞれ1ショットと5ショット設定で達成している。
  論文  参考訳（メタデータ） (2026-07-14T14:48:54Z)
• TAME: Test-Time Adversarial Prompt Tuning via Mixture-of-Experts for Vision-Language Models [76.92890872338235]
  大規模事前学習型ビジョンランゲージモデル(VLM)は、強いゼロショット一般化を示すが、知覚不能な逆方向の摂動に対して非常に脆弱である。 ダウンストリームタスク固有のリトレーニングを必要とせずに堅牢性を高めるため,新しいテストタイムディフェンスであるTAMEを提案する。
  論文  参考訳（メタデータ） (2026-05-17T18:07:08Z)
• Prototype-Based Test-Time Adaptation of Vision-Language Models [58.28899599773308]
  PTA(Prototype-based Test-Time Adaptation) PTAは一連のクラス固有の知識プロトタイプを使用して、テストサンプルから知識を蓄積する。 PTAは最先端の性能を達成しつつ、極めて高い効率を達成する。
  論文  参考訳（メタデータ） (2026-04-23T07:20:56Z)
• $V_1$: Unifying Generation and Self-Verification for Parallel Reasoners [69.66089681814013]
  $V_$は、効率的なペアワイドランキングを通じて生成と検証を統合するフレームワークである。 V_$-Inferはポイントワイド検証でPass@1を最大10%改善する。 V_$-PairRLは、標準のRLとポイントワイドのジョイントトレーニングよりも、テストタイムのスケーリングが7ドル--9%で向上する。
  論文  参考訳（メタデータ） (2026-03-04T17:22:16Z)
• Ultra-Light Test-Time Adaptation for Vision--Language Models [0.6816905600359814]
  CLIPのような視覚言語モデル(VLM)は、画像埋め込みとテキスト由来のクラスプロトタイプを比較することで、強力なゼロショット認識を実現する。 ドメインシフトでは、特徴の漂流、クラスプライアミスマッチ、深刻な誤診に悩まされる。 バックボーンを凍結し,ロジットレベルのパラメータのみを適応させる,完全トレーニングフリーでバックプロップフリーなフレームワークであるUltra-Light Test-Time Adaptation (UL-TTA)を提案する。
  論文  参考訳（メタデータ） (2025-11-12T08:19:57Z)
• ATTS: Asynchronous Test-Time Scaling via Conformal Prediction [112.54016379556073]
  大規模な言語モデル(LLM)は、テスト時のスケーリングの恩恵を受けるが、しばしば高い推論遅延によって妨げられる。 統計的に保証された適応スケーリングフレームワークであるATTS(Asynchronous Test-Time Scaling)を紹介する。 ATTSは、テストタイムのスケーリングにおいて最大56.7倍のスピードアップと4.14倍のスループット向上を実現している。
  論文  参考訳（メタデータ） (2025-09-18T16:55:09Z)
• Generalizable Metric Network for Cross-domain Person Re-identification [55.71632958027289]
  クロスドメイン(ドメインの一般化)シーンは、Re-IDタスクにおいて課題となる。 既存のほとんどのメソッドは、すべてのドメインのドメイン不変またはロバストな機能を学ぶことを目的としています。 本稿では,サンプルペア空間における標本類似性を調べるために,GMN(Generalizable Metric Network)を提案する。
  論文  参考訳（メタデータ） (2023-06-21T03:05:25Z)

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。