論文の概要: Efficient Test-time Adaptation through Candidate Verification and Divergence Shifts

• arxiv url: http://arxiv.org/abs/2610.06147v1
• Date: Mon, 05 Oct 2026 11:18:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 18:23:40.354194
• Title: Efficient Test-time Adaptation through Candidate Verification and Divergence Shifts
• Title（参考訳）: 候補検証とダイバージェンスシフトによる効率的なテスト時間適応
• Abstract要約: 視覚言語モデル(VLM)は、強いゼロショット転送性を実現するが、推論時にターゲットドメインシフトに弱いままである。 仮説に基づく修正フレームワークであるTTC(Test-Time Correction)を提案する。 TTCは最先端のVLM-TTA法の精度を継続的に改善し、最大2倍のスピードアップ、3倍のCPUメモリ使用率、最大1.4倍のGPUメモリ使用率を実現している。
• 参考スコア（独自算出の注目度）: 5.403677859218301
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-language models (VLMs) achieve strong zero-shot transferability but remain vulnerable to target-domain shifts at inference time. Test-time adaptation (TTA) offers a practical remedy, yet most existing VLM-TTA methods follow a prediction-side adaptation paradigm. They use test samples to adjust logits, prototypes, caches, priors, or feature statistics, often incurring additional computational overhead. In this paper, we take a different perspective and reframe VLM-TTA as candidate verification rather than prediction adjustment. We propose Test-Time Correction (TTC), a hypothesis-based correction framework guided by a simple principle: hypothesize, reconstruct, correct. Given a test feature and its top-k candidate labels, TTC treats each candidate label as a hypothesis, reconstructs the feature within the corresponding latent subspace stored in a memory bank, and measures the resulting divergence shift. This shift quantifies how much the candidate subspace and its relations to other candidates change after the hypothetical insertion of the test feature. A correct candidate hypothesis induces only a small shift, whereas an incorrect one perturbs the subspace more strongly. TTC therefore corrects the prediction by selecting the candidate with the minimum aggregated divergence shift. This training-free candidate-verification mechanism avoids iterative optimization and provides a favorable accuracy-efficiency trade-off. Across five TTA settings and 15 benchmark datasets, including zero-shot classification, domain generalization, few-shot classification, base-to-novel generalization, and cross-dataset evaluation, TTC consistently improves accuracy over state-of-the-art VLM-TTA methods while achieving up to 2x speedup, over 3x lower CPU memory usage, and up to 1.4x lower GPU memory usage than the lowest-memory training-free baseline.
• Abstract（参考訳）: 視覚言語モデル(VLM)は、強いゼロショット転送性を実現するが、推論時にターゲットドメインシフトに弱いままである。 テスト時適応(TTA)は実践的な治療を提供するが、既存のほとんどのVLM-TTA手法は予測側適応パラダイムに従う。 テストサンプルを使用して、ロジット、プロトタイプ、キャッシュ、プリエント、あるいは機能統計を調整することで、計算オーバーヘッドが増大することが多い。 本稿では、異なる視点でVLM-TTAを予測調整ではなく、候補検証として再設定する。 仮説に基づく修正フレームワークであるTTC(Test-Time Correction)を提案する。 テスト特徴とそのトップk候補ラベルが与えられたとき、TTCは各候補ラベルを仮説として扱い、メモリバンクに格納された対応する潜在部分空間内の機能を再構成し、その結果の分散シフトを測定する。 このシフトは、テスト特徴の仮定的挿入後に、候補部分空間とその他の候補との関係がどの程度変化するかを定量化する。 正しい候補仮説は小さなシフトしか引き起こさないが、誤った仮説は部分空間をより強く摂動させる。 したがって、TTCは最小集約発散シフトで候補を選択することで予測を補正する。 この学習自由候補検証機構は反復最適化を回避し、良好な精度・効率のトレードオフを提供する。 ゼロショット分類、ドメインの一般化、少数ショット分類、ベースツーノーベルの一般化、クロスデータセット評価を含む5つのTTA設定と15のベンチマークデータセットを含むTTCは、最先端のVLM-TTAメソッドよりも一貫して精度を向上し、最大2倍のスピードアップ、3倍のCPUメモリ使用率、最低メモリトレーニングフリーベースラインよりも1.4倍低いGPUメモリ使用率を実現している。

関連論文リスト

• Backpropagation-Free Test-Time Adaptation via Probabilistic Gaussian Alignment [16.352863226512984]
  テスト時間適応(TTA)は、推論中にラベルのないテストデータを活用することにより、分散シフト下でのゼロショットロバスト性を高める。 ほとんどのメソッドは、スケーラビリティを制限し、リアルタイムデプロイメントを妨げるバックプロパゲーションや反復最適化に依存しています。 本稿では,Advanced Distribution-AwareとBack propagation-free Test-time Adapting法であるADAPTを提案する。
  論文  参考訳（メタデータ） (2025-08-21T13:42:49Z)
• Align Your Prompts: Test-Time Prompting with Distribution Alignment for Zero-Shot Generalization [64.62570402941387]
  テスト領域のギャップを埋めるために、機能分散シフトを最小限にして、テスト時にマルチモーダルプロンプトを適用するために、単一のテストサンプルを使用します。 提案手法は,既存のプロンプト学習技術以上のゼロショットトップ1精度を向上し,ベースラインのMaPLeよりも3.08%向上した。
  論文  参考訳（メタデータ） (2023-11-02T17:59:32Z)
• AdaNPC: Exploring Non-Parametric Classifier for Test-Time Adaptation [64.9230895853942]
  ドメインの一般化は、ターゲットのドメイン情報を活用することなく、任意に困難にすることができる。 この問題に対処するためにテスト時適応(TTA)手法が提案されている。 本研究では,テスト時間適応(AdaNPC)を行うためにNon-Parametricを採用する。
  論文  参考訳（メタデータ） (2023-04-25T04:23:13Z)
• CAFA: Class-Aware Feature Alignment for Test-Time Adaptation [50.26963784271912]
  テスト時間適応(TTA)は、テスト時にラベルのないデータにモデルを適応させることによって、この問題に対処することを目的としている。 本稿では,クラス認識特徴アライメント(CAFA, Class-Aware Feature Alignment)と呼ばれる単純な機能アライメント損失を提案する。
  論文  参考訳（メタデータ） (2022-06-01T03:02:07Z)
• Pre-training Is (Almost) All You Need: An Application to Commonsense Reasoning [61.32992639292889]
  事前学習されたトランスモデルの微調整は、一般的なNLPタスクを解決するための標準的なアプローチとなっている。 そこで本研究では,可視性ランキングタスクをフルテキスト形式でキャストする新たなスコアリング手法を提案する。 提案手法は, ランダム再起動にまたがって, より安定した学習段階を提供することを示す。
  論文  参考訳（メタデータ） (2020-04-29T10:54:40Z)

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。