論文の概要: STAMP: Predicting Out-of-Distribution Generalization without Target Data

• arxiv url: http://arxiv.org/abs/2609.32672v1
• Date: Sat, 26 Sep 2026 14:28:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 21:25:32.63218
• Title: STAMP: Predicting Out-of-Distribution Generalization without Target Data
• Title（参考訳）: STAMP: ターゲットデータのないアウト・オブ・ディストリビューションの一般化を予測する
• Abstract要約: STAMPはソースのみの、ターゲットラベルなしの基準であり、ペアのソースドメイン画像からアウト・オブ・ディストリビューション性能を推定する。 CNN、ViT、MetaFormers、基礎モデル、SSL/VLMプローブにまたがる44の胸部X線モデルにおいて、時間STAMPはスピアマン相関を0.844$-0.855$で達成した。
• 参考スコア（独自算出の注目度）: 1.2891210250935148
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting whether a trained model will generalize under distribution shift remains difficult, especially when target-domain data are unavailable. We introduce STAMP (Semantic Temporal Augmented Model Prediction), a source-only, target-label-free criterion that estimates out-of-distribution (OOD) performance from paired source-domain images. STAMP computes the output-space correlation ratio $η^2=S_B/S_T$ by contrasting semantically stable pairs with random pairs: higher $η^2$ indicates that model outputs vary with semantic identity rather than nuisance variation. On 44 chest X-ray models spanning CNNs, ViTs, MetaFormers, foundation models, and SSL/VLM probes, temporal STAMP attains Spearman correlations of $0.844$--$0.855$ with macro AUROC on VinDr-CXR, CheXpert, and MIMIC-CXR; a class-matched variant improves single-class RSNA from $0.311$ to $0.663$. STAMP attains the best average source-only medical ranking and outperforms the target-domain ATC and AoTL estimators without any target data. On 27 ImageNet models, temperature-scaled STAMPTS attains $ρ{=}0.984$ on ObjectNet and $ρ\geq0.905$ on four additional distribution shifts, with partial correlations of $0.662$--$0.949$ after controlling for ImageNet accuracy. Requiring approximately 12s per model on one GPU, STAMP is a practical pre-deployment model-selection and auditing tool.
• Abstract（参考訳）: トレーニングされたモデルが分散シフトの下で一般化されるかどうかを予測することは、特にターゲットドメインデータが利用できない場合、依然として困難である。 提案するSTAMP(Semantic Temporal Augmented Model Prediction)は,2つのソースドメイン画像から,アウト・オブ・ディストリビューション(OOD)性能を推定する,ソースのみのターゲットラベルフリーな基準である。 STAMPは、意味論的に安定なペアとランダムなペアを対比することにより、出力空間相関比$η^2=S_B/S_T$を計算する。 CNN、ViTs、MetaFormers、基盤モデル、SSL/VLMプローブにまたがる44の胸部X線モデルにおいて、時事STAMPは、VinDr-CXR、CheXpert、MIMIC-CXR上のマクロAUROCとスピアマン相関を0.844$--0.855$で達成した。 STAMPは、平均的なソースのみの医療ランキングを達成し、ターゲットデータなしでターゲットドメインATCおよびAoTL推定器を上回っている。 27のImageNetモデルでは、温度スケールのSTAMPTSはObjectNet上で$ρ{=}0.984$と$ρ\geq0.905$を、ImageNetの精度を制御した後、0.662$--0.949$という部分相関で、追加の4つの分散シフトで$ρ\geq0.905$を得る。 1つのGPU上で1モデルあたり約12秒を必要とするSTAMPは、実用的な事前デプロイモデル選択および監査ツールである。

関連論文リスト

• $V_{0.5}$: Generalist Value Model as a Prior for Sparse RL Rollouts [81.48669089692189]
  一般値モデル(例えば$V_0.5$)は、コンテキスト内のモデル機能を明示的にエンコードすることで、事前訓練された値推定を実現する。 本稿では,このような値モデルにより予測されるベースラインと,スパースロールアウトから導出される経験的平均とを適応的に融合する$V_0.5$を提案する。 V_0.5$はGRPOとDAPOを大きく上回り、より高速な収束と約10%のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2026-03-11T14:57:41Z)
• Beyond Accuracy: A Unified Random Matrix Theory Diagnostic Framework for Crash Classification Models [6.908972852063454]
  ランダム行列理論(RMT)とヘビープレート自己正規化(HTSR)に基づく診断枠組みを導入する。 アイオワDOTの2つのクラッシュ分類タスク(173,512,371,062)において,9つのモデルファミリーを評価した。 正規化されたモデルは常に$[2, 4]$(平均2.87 pm 0.34$)内で$を出力します。 我々は、$$ベースの早期停止基準とスペクトルモデル選択プロトコルを提案し、両者が相互検証されたFに対して検証する。
  論文  参考訳（メタデータ） (2026-02-23T05:42:54Z)
• FedSVD: Adaptive Orthogonalization for Private Federated Learning with LoRA [68.44043212834204]
  Low-Rank Adaptation (LoRA) は、学習における言語モデルの効率的な微調整に広く用いられている。 Low-Rank Adaptation (LoRA) は、学習における言語モデルの効率的な微調整に広く用いられている。
  論文  参考訳（メタデータ） (2025-05-19T07:32:56Z)
• Certifiably Robust Model Evaluation in Federated Learning under Meta-Distributional Shifts [8.700087812420687]
  異なるネットワーク "B" 上でモデルの性能を保証する。 我々は、原則付きバニラDKWバウンダリが、同じ(ソース)ネットワーク内の未確認クライアント上で、モデルの真のパフォーマンスの認証を可能にする方法を示す。
  論文  参考訳（メタデータ） (2024-10-26T18:45:15Z)
• A novel robust meta-analysis model using the $t$ distribution for outlier accommodation and detection [4.329009865605402]
  $t$分布を用いた新しいロバストメタ分析モデルの提案(t$Meta) 簡易かつ高速なEM型アルゴリズムを極大推定のために開発した。 実際のデータでの実験では、$t$Metaは、穏やかなアウトリーチを伴う状況において、関連する競合と好意的に比較されている。
  論文  参考訳（メタデータ） (2024-06-06T15:15:39Z)
• SPD-DDPM: Denoising Diffusion Probabilistic Models in the Symmetric Positive Definite Space [47.65912121120524]
  本研究では,大規模データを扱う新しい生成モデルであるSPD-DDPMを提案する。 我々のモデルは、$y$を与えることなく、無条件で柔軟に$p(X)$を見積もることができる。 おもちゃのデータと実際のタクシーデータによる実験結果から、我々のモデルは無条件と無条件の両方のデータ分布に効果的に適合することが示された。
  論文  参考訳（メタデータ） (2023-12-13T15:08:54Z)
• Towards Faster Non-Asymptotic Convergence for Diffusion-Based Generative Models [49.81937966106691]
  我々は拡散モデルのデータ生成過程を理解するための非漸近理論のスイートを開発する。 従来の研究とは対照的に,本理論は基本的だが多目的な非漸近的アプローチに基づいて開発されている。
  論文  参考訳（メタデータ） (2023-06-15T16:30:08Z)
• Ensemble of Averages: Improving Model Selection and Boosting Performance in Domain Generalization [63.28279815753543]
  ドメイン一般化(Domain Generalization, DG)設定では、特定のトレーニングドメインセットでトレーニングされたモデルが、シフトしたテストドメイン上でのカオスなパフォーマンスで悪名高い。 まず、モデルパラメータを最適化パスに沿って平均化する単純なプロトコルが、トレーニングの初期段階から始まって、ドメインの一般化性を大幅に向上させることを示す。 独立に訓練されたモデルのアンサンブルもまた、DG設定においてカオスな振る舞いを持つことを示す。
  論文  参考訳（メタデータ） (2021-10-21T00:08:17Z)

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。