論文の概要: Source-Learned Reliance for Selective Test-Time Adaptation of Multimodal Time Series

• arxiv url: http://arxiv.org/abs/2610.07499v1
• Date: Mon, 05 Oct 2026 23:02:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.701884
• Title: Source-Learned Reliance for Selective Test-Time Adaptation of Multimodal Time Series
• Title（参考訳）: マルチモーダル時系列の選択的テスト時間適応のためのソース学習信頼度
• Abstract要約: マルチモーダルウェアラブルシステムは、センサストリームが騒々しくなったり、利用できなくなったりしても、信頼性を保たなければならない。 CARATは、モデル依存をランタイムの破損検出から切り離し、省略や減衰を誘導する。 4つのウェアラブルデータセットの中で、CARATは、最上位のマクロF1と最高ランク(2.42)を達成し、最上位のベースラインであるEATAを上回っている。
• 参考スコア（独自算出の注目度）: 9.366514012970628
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multimodal wearable systems must remain reliable when sensor streams become noisy or unavailable. Existing multimodal test-time adaptation (TTA) methods often assess reliability online, but cross-modal agreement can be misleading when sensors measure different physical processes, and evaluating alternative modality configurations adds inference cost. We propose CARAT, which decouples model reliance from runtime corruption detection to guide omission or attenuation, amortizing reliance estimation through source training. An asymmetric modality-dropout curriculum prepares a missingness-resilient backbone for omission and derives a frozen, backbone-specific reliance proxy from windowed input-projection gradient norms. At deployment, a lightweight one-class detector flags suspect streams, and the proxy guides a joint choice between replacing the suspect set with the backbone's trained missingness symbol and attenuating its representations before fusion, without candidate-subset evaluation. Across four wearable datasets, five corruption types, three backbones, and eight TTA baselines, CARAT achieves the highest overall macro-F1 and best mean rank (2.42), exceeding EATA, the strongest baseline, by 1.58 F1 points across 12 equally weighted dataset-backbone settings. Across five profiled configurations, CARAT uses 9.49% fewer GFLOPs and updates 47.82% fewer parameters than EATA. A pattern also emerges across sensing regimes: multimodal TTA methods such as PTA are competitive on IMU-dominated homogeneous datasets, whereas unimodal TTA methods like TENT and EATA match or exceed it on heterogeneous datasets. These results position CARAT as a practical default to wearable TTA, offering competitive robustness with modest computational requirements and benefits that vary across backbones and dataset regimes.
• Abstract（参考訳）: マルチモーダルウェアラブルシステムは、センサストリームが騒々しくなったり、利用できなくなったりしても、信頼性を保たなければならない。 既存のTTA(Multimodal test-time adapt)手法は、信頼性をオンラインで評価することが多いが、センサーが異なる物理過程を計測し、代替のモダリティ構成を評価することで、推論コストを増大させる場合、クロスモーダル合意は誤解を招く可能性がある。 CARATは、実行時劣化検出からモデル依存を分離し、省略や減衰を誘導し、ソーストレーニングによる信頼推定を損なう。 非対称なモダリティ・ドロップアウトのカリキュラムは、欠落のための回復力のないバックボーンを作成し、ウィンドウ化された入射勾配ノルムから凍結したバックボーン固有の依存プロキシを導出する。 展開時には、軽量な一級検知器が疑似ストリームを検知し、プロキシは、被疑者のセットをバックボーンの訓練された不足シンボルに置き換えることと、被疑者のサブセット評価なしで、融合前にその表現を減衰することの2つの共同選択をガイドする。 4つのウェアラブルデータセット、5つの汚職タイプ、3つのバックボーン、8つのTTAベースラインにまたがって、CARATは、12の重み付きデータセットバックボーン設定に対して、最強のベースラインであるEATAを1.58ポイント上回る、全体的なマクロF1と最高平均ランク(2.42)を達成している。 5つのプロファイル構成で、CARATはGFLOPを9.49%削減し、EATAよりも47.82%少ないパラメータを更新する。 PTAのようなマルチモーダルなTTAメソッドは、IMUが支配する同質なデータセットで競合する一方、TENTやEATAのような非モーダルなTTAメソッドは、異質なデータセットで競合する。 これらの結果は、CARATをウェアラブルTTAの事実上のデフォルトと位置づけ、控えめな計算要件と、バックボーンやデータセットの仕組みによって異なるメリットを備えた、競争力のある堅牢性を提供する。

関連論文リスト

• Boundary-Aligned Contribution Routing for Robust Optical--SAR Object Detection [8.665369041430969]
  光-SAR融合はリモートセンシングオブジェクト検出に魅力的である。 しかし、不完全な空間的、時間的、意味的な対応は、不完全なストリームを条件付きで有害にすることができる。 我々は,検出監視のみを用いてタスク条件付きコントリビューションルーティングを学習する。
  論文  参考訳（メタデータ） (2026-08-15T14:37:23Z)
• MultAttnAttrib: Training-Free Multimodal Attribution in Long Document Question Answering [73.47440561592556]
  トレーニング不要な属性生成手法であるMultAttnAttribを紹介する。 MultAttnAttribは、様々な属性生成方法よりも一貫して優れていることを示す。 提案手法は直接推論遅延の最大7分の1の属性を生成する。
  論文  参考訳（メタデータ） (2026-07-01T19:29:19Z)
• Multi-Hypothesis Test-Time Adaptation to Mitigate Underspecification [36.471308624288035]
  テスト時間適応(TTA)は、未ラベルのターゲットデータを用いてパラメータを適応させることにより、分散シフト下でのモデルロバスト性を改善することを目指している。 複数の異なるパラメータの更新は同様に低いエントロピーを達成し、決定境界を劇的に異なるものにする。 エントロピー最小化によって誘導される後部インスパイアされたレンズを通してTTAを再解釈し,低エントロピー解がパラメータ上の擬似類似性を定義する。
  論文  参考訳（メタデータ） (2026-06-30T23:12:36Z)
• Traits Run Deeper: Trait-Specific Asymmetric Fusion for Personality Assessment [53.50824432699408]
  Traits Run Deeperは、新しいパーソナリティアセスメントフレームワークである。 MFR(Multimodal Foundation Representation)、TSMF(Trit-Specific Modality Fusion)、DCPR(Distributed-Calibrated Personality Regression)の3つのコンポーネントで構成されている。
  論文  参考訳（メタデータ） (2026-06-09T06:38:36Z)
• Architecture-Agnostic Modality-Isolated Gated Fusion for Robust Multi-Modal Prostate MRI Segmentation [0.0]
  多重化前立腺MRIは、T2パラメトリック(T2W)、見かけ拡散係数(ADC)、高b値拡散強調(HBV)配列を組み合わせる。 実際には、拡散配列は、T2Wよりも、取得のばらつき、動き、アーティファクトの影響を受けることが多い。 我々は、学習ゲーティングステージの前に、個別のモダリティ固有の符号化ストリームを維持するために、Modality-Isolated Gated Fusion (MIGF)を提案する。
  論文  参考訳（メタデータ） (2026-04-12T15:54:21Z)
• ACAR: Adaptive Complexity Routing for Multi-Model Ensembles with Auditable Decision Traces [3.151184728006369]
  本稿では,聴覚条件下でのマルチモデルオーケストレーションのための測定フレームワークACARを提案する。 ACARは、N=3プローブサンプルから計算した自己整合分散(sigma)を使用して、単一モデル、2モデル、3モデル実行モードでタスクをルーティングする。 我々は4つのベンチマークにまたがる1,510のタスクに対してACARを評価し、7,550以上の監査可能な実行を生成した。
  論文  参考訳（メタデータ） (2026-02-06T23:27:17Z)
• AHDMIL: Asymmetric Hierarchical Distillation Multi-Instance Learning for Fast and Accurate Whole-Slide Image Classification [51.525891360380285]
  AHDMILは非対称な階層的蒸留マルチインスタンス学習フレームワークである。 2段階のトレーニングプロセスを通じて、無関係なパッチを排除します。 分類性能と推論速度の両方において、従来の最先端手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2025-08-07T07:47:16Z)
• Benchmarking Test-Time Adaptation against Distribution Shifts in Image Classification [77.0114672086012]
  テスト時間適応(TTA)は、予測時にのみラベルのないサンプルを活用することにより、モデルの一般化性能を向上させる技術である。 本稿では,広く使用されている5つの画像分類データセット上で,13のTTA手法とその変種を体系的に評価するベンチマークを提案する。
  論文  参考訳（メタデータ） (2023-07-06T16:59:53Z)

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。