論文の概要: Energy Ring: Stabilizing Feature Energy for Reliable Test-Time Discovery

• arxiv url: http://arxiv.org/abs/2610.14525v1
• Date: Sat, 10 Oct 2026 03:36:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.062003
• Title: Energy Ring: Stabilizing Feature Energy for Reliable Test-Time Discovery
• Title（参考訳）: エネルギーリング:信頼性の高いテスト時間発見のための特徴エネルギーの安定化
• Abstract要約: Test-Time Discovery (TTD) は、既知のクラスを認識し、モデルがすでにデプロイされている間に新しいクラスを検出することを目的としている。 既存のTTD法は過度に保守的であり、既知の特徴と未知の特徴が一緒に崩壊し、テスト時間適応時に分離することが困難である。 エネルギー環に2種類のクラスを固定することにより、このギャップを安定化するエネルギー環を提案する。
• 参考スコア（独自算出の注目度）: 30.974134624717976
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Test-Time Discovery (TTD) aims to recognize known classes and detect novel ones while the model is already deployed, operating directly on a continual unlabeled test-time stream. Existing TTD methods are overly conservative, making known and unknown features collapse together and difficult to separate during test-time adaptation. In this paper, we revisit TTD from an energy perspective and find that the natural energy gap between known and unknown classes is unstable and easily collapses. We therefore propose Energy Ring to stabilize this gap by anchoring the two types of classes on separate energy rings. A lightweight adapter enlarges the norm-based gap while preserving known-class directions, and a perturbation consistency module forms compact clusters for unknown classes. During testing, energy-guided confidence weighting improves prediction, and a stability-based rectification mechanism corrects unreliable updates. Experimental results show that Energy Ring significantly improves TTD performance against existing TTD methods.
• Abstract（参考訳）: Test-Time Discovery (TTD) は、既知のクラスを認識し、モデルがすでにデプロイされている間に新しいクラスを検出し、継続的な未ラベルのテストタイムストリームで直接動作することを目的としている。 既存のTTD法は過度に保守的であり、既知の特徴と未知の特徴が一緒に崩壊し、テスト時間適応時に分離することが困難である。 本稿では,エネルギーの観点からTTDを再検討し,未知クラスと未知クラスの間の自然エネルギーギャップが不安定であり,容易に崩壊することを見出した。 そこで我々は,2種類のクラスを別個のエネルギー環に固定することにより,このギャップを安定化するエネルギー環を提案する。 軽量アダプタは、既知のクラス方向を維持しながらノルムベースのギャップを拡大し、摂動整合モジュールは未知のクラスに対してコンパクトクラスタを形成する。 テスト中、エネルギー誘導された信頼度重み付けは予測を改善し、安定性に基づく修正メカニズムは信頼性の低い更新を修正する。 実験結果から,エネルギリングは既存のTTD法と比較してTTD性能を著しく向上することが示された。

関連論文リスト

• Energy-Structured Low-Rank Adaptation for Continual Learning [78.5390284258307]
  textbfEnergy-Concentrated and textbfEnergy-Ordered textbfLow-textbfRank textbfAdaptation (E$2$-LoRA)を提案する。 E$2$-LoRAは、知識を明示的に順序付けして上位のランクに集約することにより、その後のタスクの容量を解放する。
  論文  参考訳（メタデータ） (2026-05-26T12:55:02Z)
• Detecting Deepfakes via Hamiltonian Dynamics [58.881686693914446]
  本稿では,静的パターン認識から動的安定性解析へ移行するディープフェイク検出の新しい視点を提案する。 私たちのアプローチは、物理学にインスパイアされた先駆者によって動機付けられています。 Hamiltonian Action Anomaly Detection (HAAD) は、最先端のベースラインの評価に優れる。
  論文  参考訳（メタデータ） (2026-05-06T01:55:38Z)
• Don't Break the Boundary: Continual Unlearning for OOD Detection Based on Free Energy Repulsion [8.714183507567087]
  アウト・オブ・ディストリビューション(OOD)検出は、オープンワールド環境における信頼できるAIにとって不可欠である。 従来のアンラーニング手法は、この微妙な構造を妨害し、異常を識別するモデルの能力が壊滅的に失われた。 我々は,低エネルギーID多様体内の保持クラスをプル機構を介してアンカーし,忘れられたクラスを高エネルギーOOD領域に積極的に排出するTFERを提案する。
  論文  参考訳（メタデータ） (2026-02-06T02:55:47Z)
• Relative Energy Learning for LiDAR Out-of-Distribution Detection [2.9740664660400804]
  アウト・オブ・ディストリビューション(OOD)検出は信頼性の高い自動運転にとって重要な要件である。 我々は,LiDAR点雲におけるOOD検出のためのフレームワークであるRelative Energy Learning (REL)を提案する。 トレーニング中のOODサンプルの欠如に対処するため,ポイントゲインと呼ばれる軽量なデータ合成戦略を提案する。
  論文  参考訳（メタデータ） (2025-11-10T05:29:18Z)
• Game-Theoretic Robust Reinforcement Learning Handles Temporally-Coupled Perturbations [98.5802673062712]
  我々は時間的に結合した摂動を導入し、既存の頑健な強化学習手法に挑戦する。 本稿では、時間的に結合したロバストなRL問題を部分的に観測可能な2プレイヤーゼロサムゲームとして扱う新しいゲーム理論であるGRADを提案する。
  論文  参考訳（メタデータ） (2023-07-22T12:10:04Z)
• New Local Explorations of the Unitary Coupled Cluster Energy Landscape [0.0]
  本稿では,3位以上の誘導体を用いて,真のUCCSDの変動下界を部分的に復元する手法を提案する。 この「対角近似」を高次項に近似することで、強い相関関係に対する特異点近傍の感度を減少させるのに有効である。
  論文  参考訳（メタデータ） (2022-07-08T19:12:46Z)
• Training Generative Adversarial Networks by Solving Ordinary Differential Equations [54.23691425062034]
  GANトレーニングによって引き起こされる連続時間ダイナミクスについて検討する。 この観点から、GANのトレーニングにおける不安定性は積分誤差から生じると仮定する。 本研究では,有名なODEソルバ(Runge-Kutta など)がトレーニングを安定化できるかどうかを実験的に検証する。
  論文  参考訳（メタデータ） (2020-10-28T15:23:49Z)

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。