論文の概要: The Batch Size Can Be One: Test-Time Adaptation from Classifier Geometry

• arxiv url: http://arxiv.org/abs/2610.36628v1
• Date: Tue, 27 Oct 2026 04:32:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.483785
• Title: The Batch Size Can Be One: Test-Time Adaptation from Classifier Geometry
• Title（参考訳）: バッチサイズは1つにできる:クラス化幾何学によるテスト時間適応
• Abstract要約: テスト時適応は、未ラベルのテストストリーム上にデプロイされたモデルを更新する。 本稿では,OriTTA(Origin-recentered Test-Time Adaptation)を提案する。
• 参考スコア（独自算出の注目度）: 42.541162434624596
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Test-time adaptation updates a deployed model on an unlabeled test stream. In practice this stream often arrives one sample at a time, with the classes in no particular order. A single sample then provides limited information for estimating distribution-level statistics, and selecting samples by confidence can admit predictions that are wrong yet confident. A corruption, however, shifts the features while leaving the decision regions of the frozen classifier unchanged. We therefore propose Origin-recentered Test-Time Adaptation (OriTTA), which constructs fixed geometric targets from the source model and adapts selected features toward them. Seen from the origin of the feature space, the classes lean toward a common direction. We choose a new origin to bring class scores closer together while keeping it near the mean feature of one synthetic prototype per class. From this origin, prototype directions spread more evenly, and each class obtains an axis and an ideal point before any test data arrives. During adaptation, OriTTA aligns selected features with their predicted class axis and penalizes excessive radius, keeps one input per predicted class in memory to limit feature changes for classes absent from the stream, and resets the model when re-classifying this memory reveals collapse. Without tuning for each setting, OriTTA achieves the highest mean accuracy at batch size 1 on CIFAR-10-C, CIFAR-100-C and ImageNet-C in all sixteen combinations of four backbones, two protocols and two stream orders. On ImageNet-C fog, recent methods collapse in up to two thirds of one hundred runs, while OriTTA never does.
• Abstract（参考訳）: テスト時適応は、未ラベルのテストストリーム上にデプロイされたモデルを更新する。 実際には、このストリームは一度に1つのサンプルに到達し、クラスは特定の順序で実行されます。 単一のサンプルは、分布レベルの統計を推定するための限られた情報を提供し、信頼によるサンプルの選択は、間違っているが自信のある予測を受け入れることができる。 しかし、破損は、凍結した分類器の判定領域を変更せずに特徴をシフトさせる。 そこで我々は,OriTTA(Origin-recentered Test-Time Adaptation)を提案する。 特徴空間の起源から見て、クラスは共通の方向に向かって傾いています。 クラス毎の1つの合成プロトタイプの平均的特徴に近づきつつ、クラススコアを密接にするために、新しいオリジンを選択します。 この起源から、プロトタイプの方向はより均等に広がり、各クラスはテストデータが到着する前に軸と理想点を得る。 適応中、OriTTAは選択された特徴を予測されたクラス軸と整列し、過剰な半径をペナル化し、予測されたクラスの1つの入力をメモリに保持し、ストリームから欠落したクラスの特徴変化を制限する。 各設定をチューニングせずに、OriTTAは、CIFAR-10-C、CIFAR-100-C、ImageNet-Cのバッチサイズ1において、4つのバックボーン、2つのプロトコル、2つのストリームオーダの合計16の組み合わせで最高平均精度を達成する。 ImageNet-Cの霧では、最近のメソッドは100ランの最大3分の2で崩壊するが、OriTTAは決して失敗しない。

関連論文リスト

• Toward Reliable Machine Unlearning: Theory, Algorithms, and Evaluation [1.7767466724342065]
  本稿では,SOTA MIAスコアに基づく画像分類の最先端手法を超越したAdrial Machine UNlearning(AMUN)を提案する。 既存の手法は、最寄りの会員推定攻撃(MIA-NN)を導入して、再訓練されたモデルの動作を再現できないことを示す。 そこで我々は,スクラッチから再学習したモデルが生成する残りのクラスに対する分布を,クラス入力に対して近似することで,このリークを緩和する微調整対象を提案する。
  論文  参考訳（メタデータ） (2025-12-07T20:57:25Z)
• 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)
• FeCAM: Exploiting the Heterogeneity of Class Distributions in Exemplar-Free Continual Learning [21.088762527081883]
  Exemplar-free class-incremental learning (CIL)は、以前のタスクからのデータのリハーサルを禁止しているため、いくつかの課題がある。 第1タスクの後に特徴抽出器を凍結して分類器を漸進的に学習する手法が注目されている。 凍結した特徴抽出器を用いて新しいクラスプロトタイプを生成するCILのプロトタイプネットワークを探索し,プロトタイプとのユークリッド距離に基づいて特徴を分類する。
  論文  参考訳（メタデータ） (2023-09-25T11:54:33Z)
• 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)
• Improving Calibration for Long-Tailed Recognition [68.32848696795519]
  このようなシナリオにおけるキャリブレーションとパフォーマンスを改善する2つの方法を提案します。 異なるサンプルによるデータセットバイアスに対して,シフトバッチ正規化を提案する。 提案手法は,複数の長尾認識ベンチマークデータセットに新しいレコードをセットする。
  論文  参考訳（メタデータ） (2021-04-01T13:55:21Z)

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。