論文の概要: SATOR: Backpropagation-Free 3D Test-Time Adaptation via Sample-Adaptive Token Routing

• arxiv url: http://arxiv.org/abs/2610.21367v1
• Date: Thu, 15 Oct 2026 06:47:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.236516
• Title: SATOR: Backpropagation-Free 3D Test-Time Adaptation via Sample-Adaptive Token Routing
• Title（参考訳）: SATOR: サンプル適応型トークンルーティングによるバックプロパゲーションフリー3次元テスト時間適応
• Abstract要約: テスト時間適応(TTA)は、分散シフト下でのラベルなしテストデータ上でのソース事前学習モデルの性能劣化を緩和する。 最近のバックプロパゲーションフリーなトークン抽出法は、信頼できないトークンをフィルタリングすることで、3Dポイントのクラウド分布シフトに対処する。 本稿では,ソースフリーかつバックプロパゲーションフリーな3D TTAフレームワークであるSATORを提案する。
• 参考スコア（独自算出の注目度）: 1.2234742322758418
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Test-time adaptation (TTA) mitigates the performance degradation of source-pretrained models on unlabeled test data under distribution shifts. Recent backpropagation-free token-purging methods address 3D point cloud distribution shifts by filtering unreliable tokens. However, their reliance on predefined purge-size candidates requires multiple forward passes per sample and increases inference cost. We propose SATOR (Sample-Adaptive TOken Routing), a source-free and backpropagation-free 3D TTA framework that eliminates this search by deriving both the partitioning threshold and routing decision directly from each sample. SATOR computes token abnormality scores from complementary attention and geometric relation graphs. It then derives a sample-specific partition into retained and pruned tokens via Otsu-based separability, without evaluating candidate sizes. Keep-ratio-calibrated routing then selects the pruned prediction only when its entropy, penalized by the keep ratio, is lower than that of the original prediction. Experiments on ModelNet40-C, ScanObjectNN-C, and ShapeNet-C demonstrate that SATOR achieves state-of-the-art accuracy on three 3D corruption benchmarks.
• Abstract（参考訳）: テスト時間適応(TTA)は、分散シフト下でのラベルなしテストデータ上でのソース事前学習モデルの性能劣化を緩和する。 最近のバックプロパゲーションフリーなトークン抽出法は、信頼できないトークンをフィルタリングすることで、3Dポイントのクラウド分布シフトに対処する。 しかし、事前定義されたパージサイズ候補に依存しているため、サンプル毎に複数のフォワードパスが必要であり、推論コストが増大する。 本研究では,ソースフリーかつバックプロパゲーションフリーな3D TTAフレームワークであるSATOR(Sample-Adaptive Token Routing)を提案する。 SATORは、補完的な注意と幾何学的関係グラフからトークン異常スコアを計算する。 次に、サンプル固有のパーティションを、候補サイズを評価することなく、大津ベースの分離性を通じて保持および刈り取られたトークンに導出する。 keep-ratio-calibrated ルーティングは、そのentropyが keep 比によってペナル化されている場合にのみ、元の予測よりも低い場合にのみ、pruned 予測を選択する。 ModelNet40-C、ScanObjectNN-C、ShapeNet-Cの実験は、SATORが3つの3D汚職ベンチマークで最先端の精度を達成することを示した。

関連論文リスト

• Controlled Decoding Attacks on Black-Box LLMs [68.46062477706256]
  Methodは、繰り返しサンプリングとアシスタント-継続を可能にする、テキストのみの継続インターフェイスを通じてジェイルブレイクを行うためのフレームワークである。 Risk-Gated Residual Controlは、進化する応答プレフィックスを使用して、配布の再構築と修正をいつ行うかを決定する。 Speculative Multi-Token Executionは、介入を必要としないドラフトプレフィックスの検証と受け入れによって、さらにターゲットコールを償却する。
  論文  参考訳（メタデータ） (2026-09-29T07:58:49Z)
• Do Influence-Derived Data Perturbations Enable Machine Unlearning? A Controlled Study of Three Plausible Roles [2.91310609286149]
  深層摂動学習(DPL)の評価 DPLの摂動は、影響に起因した方向に沿って画像やラベルを訓練する。 CIFAR-10/ResNet-18の3組の種子の直接欠失基準を破る。
  論文  参考訳（メタデータ） (2026-09-11T00:37:53Z)
• Continual Test-Time Adaptation via Entropy Sensitivity-Guidance in Strict Online Setting [4.775158008378889]
  汚職スタイルのストリームに対する厳密なオンライン連続TTA(CTTA)手法であるSEGA(Sensitivity-Guided Erasing Adaptation)を紹介する。 SEGAは、情報の除去に伴う予測エントロピーの変化を調査するために、少数の構造化された消去を使用する。 ImageNet-C、CIFAR10/100-C、および制御された汚職スタイルのプロキシとして処理された汚職生成水養殖ストリームの実験において、SEGAは一貫性のある堅牢性と安定性を得る。
  論文  参考訳（メタデータ） (2026-08-30T17:30:51Z)
• Point-Selection Fine-Tuning Framework for Robust Point Cloud Classification [13.13510696965873]
  PSFTは、パラメータ効率を保ちながら堅牢性を向上する点選択微調整フレームワークである。 また,PSFTは,テスト済みの3Dバックボーン全体にわたって,Model-CとModelNet40-Cの劣化誤差を一貫して低減することを示した。
  論文  参考訳（メタデータ） (2026-07-22T03:27:18Z)
• Test-Time Adaptation of 3D Point Clouds via Denoising Diffusion Models [19.795578581043745]
  3Dポイントクラウドのテスト時間適応は、実世界のシナリオにおけるトレーニングとテストサンプルの相違を緩和するために不可欠である。 本稿では,3D Denoising Diffusion Test-Time Adaptationの略である3DD-TTAと呼ばれる新しい3Dテスト時間適応法を提案する。
  論文  参考訳（メタデータ） (2024-11-21T00:04:38Z)
• DPO: Dual-Perturbation Optimization for Test-time Adaptation in 3D Object Detection [34.04061546178302]
  実世界での3D検出器のトレーニングは、テストデータの分布がトレーニングデータから著しくずれたときに、しばしば不満足なパフォーマンスをもたらす。 我々は,textbfunderlineTest-underlinetime underlineAdaptation in Underline3Dに対して,textbfdual-perturbation Optimization (DPO)を提案する。 我々は、平らなロスランドスケープを育むためのシャープさを最小限に抑え、小さなデータバリエーションに対するモデルレジリエンスを確保する。
  論文  参考訳（メタデータ） (2024-06-19T23:46:08Z)
• 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)
• Decoupled Prototype Learning for Reliable Test-Time Adaptation [50.779896759106784]
  テスト時間適応(TTA)は、推論中にトレーニング済みのソースモデルをターゲットドメインに継続的に適応させるタスクである。 1つの一般的なアプローチは、推定擬似ラベルによるクロスエントロピー損失を伴う微調整モデルである。 本研究は, 各試料の分類誤差を最小化することで, クロスエントロピー損失の脆弱性がラベルノイズを引き起こすことを明らかにした。 本稿では,プロトタイプ中心の損失計算を特徴とする新しいDPL法を提案する。
  論文  参考訳（メタデータ） (2024-01-15T03:33:39Z)
• Training on Test Data with Bayesian Adaptation for Covariate Shift [96.3250517412545]
  ディープニューラルネットワークは、信頼できない不確実性推定で不正確な予測を行うことが多い。 分布シフトの下でのラベルなし入力とモデルパラメータとの明確に定義された関係を提供するベイズモデルを導出する。 本手法は精度と不確実性の両方を向上することを示す。
  論文  参考訳（メタデータ） (2021-09-27T01:09:08Z)

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。