論文の概要: Not Every Correction Helps: Gain-Guided Continual Test-Time Adaptation

• arxiv url: http://arxiv.org/abs/2609.36655v1
• Date: Tue, 29 Sep 2026 03:56:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 04:28:51.339216
• Title: Not Every Correction Helps: Gain-Guided Continual Test-Time Adaptation
• Title（参考訳）: すべての補正が役に立つわけではない
• Abstract要約: 連続的なテスト時間適応は、ソースモデルを、時間とともに分布が変化する可能性のあるラベルのないテストストリームに適応させる。 本稿では,バックプロパゲーションフリーなCTTAフレームワークであるGain-Aware Intervention (GAIN)を提案する。
• 参考スコア（独自算出の注目度）: 25.480130068775114
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Continual test-time adaptation (CTTA) adapts a source model to an unlabeled test stream whose distribution may change over time. Existing TTA methods often assess prediction reliability using confidence or entropy, which primarily reflect the model's self-certainty for the current sample. In CTTA, accumulated target observations can provide complementary evidence for correcting the source prediction, but this history may become misaligned as the target distribution changes. The key question is therefore not how much the correction differs from the source prediction, but whether and how strongly it should be applied. This paper proposes Gain-Aware INtervention (GAIN), a backpropagation-free CTTA framework guided by a simple principle: history proposes, gain decides. GAIN maintains compact target statistics to form a correction proposal and a posterior-predictive evaluator that accounts for estimation uncertainty. The resulting source-relative gain estimates the proposal's benefit and determines a sample-specific intervention strength along a continuous path through efficient one-dimensional optimization. Gain-controlled predictions then update the target statistics online, limiting the propagation of unreliable corrections, all without backpropagation, sample storage, or replay. Across five benchmarks, our method achieves strong predictive performance, with favorable accuracy--calibration--efficiency trade-offs in continual adaptation. On ImageNet-C, for example, GAIN achieves 61.9% accuracy with near-source calibration. It remains stable under diverse and challenging continual shifts while running 15.9x faster than a representative optimization-based CTTA baseline.
• Abstract（参考訳）: 連続テスト時間適応(CTTA)は、時間とともに分布が変化する可能性のあるラベルのないテストストリームにソースモデルを適用する。 既存のTTA手法は、信頼やエントロピーを用いて予測信頼性を評価することが多く、これは主に現在のサンプルに対するモデルの自己確実性を反映している。 CTTAでは、蓄積されたターゲット観測は、ソース予測を補正する補完的な証拠を与えることができるが、ターゲット分布が変化するにつれて、この履歴は不一致になる可能性がある。 鍵となる疑問は、補正がソース予測とどの程度異なるかではなく、どの程度強く適用されるべきかである。 本稿では,バックプロパゲーションフリーなCTTAフレームワークであるGain-Aware Intervention (GAIN)を提案する。 GAINは、予測の不確実性を考慮した修正提案と後部予測評価器を形成するために、コンパクトなターゲット統計を維持している。 得られたソース相対利得は提案の利点を推定し、効率的な一次元最適化を通じて連続経路に沿ったサンプル特異的介入強度を決定する。 ゲイン制御された予測は、ターゲット統計をオンラインで更新し、バックプロパゲーション、サンプルストレージ、リプレイなしで、信頼性の低い修正の伝搬を制限する。 提案手法は,5つのベンチマークで高い予測性能を達成し,精度-校正-効率のトレードオフを連続的適応に適用した。 例えば ImageNet-C では、GAIN は 61.9% の精度をほぼソースの校正で達成している。 最適化ベースのCTTAベースラインよりも15.9倍高速で動作しながら、多様で挑戦的な連続的なシフトの下で安定している。

関連論文リスト

• Rethinking the Test-Time Prompt Tuning Objective from the Perspective of Calibration [14.593876228926185]
  テスト時間プロンプトチューニング(TPT)は強力なパラダイムとして登場し、複数の拡張ビュー上でエントロピー最小化(EM)を介して各テストサンプルに対してプロンプトを精製する。 本稿では,従来のEM損失の代替として,クロスエントロピーによる拡張ビューから導出される目標分布と,オリジナルビュー予測を一致させることを提案する。 我々は,信頼度に応じて各拡張ビュー予測に信頼性を考慮した温度スケーリングを適用し,不確かさを和らげつつ,信頼度予測を鋭くする。
  論文  参考訳（メタデータ） (2026-08-31T04:33:05Z)
• Respect Your Zero-Shot Uncertainty: Conservative Calibration for Test-Time-Adapted Vision-Language Models [5.63022899921334]
  TTAは,トップ1の予測と正しさが変わらない場合でも,信頼性を高め,エントロピーを低減することができることを示す。 ゼロショットアンコールドエントロピー(ZAEC)は,ゼロショットエントロピーをサンプル固有の不確実性基準として用いたラベルフリーポストホック法である。
  論文  参考訳（メタデータ） (2026-08-06T12:11:53Z)
• Conformal Reliability: A New Evaluation Metric for Conditional Generation [62.761166941396844]
  条件付き生成モデルは、近年、様々な応用において顕著な成功を収めている。 本稿では,信頼度を事前に設定した予測値に基づいて,信頼度という新たな評価指標を提案する。 本稿では, 予測セットの構築と, (ii) 構築した予測セット内の信頼性スコアを正確に最適化するフレームワークであるConformal Reliability(CReL)を紹介する。
  論文  参考訳（メタデータ） (2026-05-29T03:52:44Z)
• Towards Anytime-Valid Statistical Watermarking [63.02116925616554]
  我々は、任意の時間価推論で最適なサンプリングを統一する、最初のe-value-based watermarking frameworkであるAnchored E-Watermarkingを開発した。 本フレームワークはサンプル効率を大幅に向上させ,最先端のベースラインに対して,検出に必要な平均トークン予算を13～15%削減する。
  論文  参考訳（メタデータ） (2026-02-19T18:32:26Z)
• COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
  COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。 COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。 リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
  論文  参考訳（メタデータ） (2025-06-25T07:04:49Z)
• Uncertainty-Calibrated Test-Time Model Adaptation without Forgetting [65.21599711087538]
  テスト時間適応(TTA)は、与えられたモデルw.r.t.を任意のテストサンプルに適用することにより、トレーニングデータとテストデータの間の潜在的な分散シフトに取り組むことを目指している。 事前の手法は各テストサンプルに対してバックプロパゲーションを実行するため、多くのアプリケーションに対して許容できない最適化コストがかかる。 本稿では, 有効サンプル選択基準を策定し, 信頼性および非冗長なサンプルを同定する, 効率的なアンチフォッティングテスト時間適応法を提案する。
  論文  参考訳（メタデータ） (2024-03-18T05:49:45Z)
• 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)

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。