論文の概要: Uncertainty-Aware Prototype Learning for Open-Set Test-Time Adaptation

• arxiv url: http://arxiv.org/abs/2611.04689v1
• Date: Tue, 03 Nov 2026 11:12:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-09 14:05:58.897039
• Title: Uncertainty-Aware Prototype Learning for Open-Set Test-Time Adaptation
• Title（参考訳）: オープンセットテスト時間適応のための不確実性認識型プロトタイプ学習
• Abstract要約: オープンセットテストタイム適応(TTA)は、ソーストレーニングされたモデルを、共シフトインディストリビューション(csID)サンプルと共シフトアウトオブディストリビューション(csOOD)サンプルが共存する未ラベルテストストリームに適応することを目的としている。 既存のTTA法は通常、クローズドセットの仮定の下で設計されるため、csOODサンプルとcsOODを確実に区別する明確なメカニズムが欠如している。 本研究では,オープンセット適応のためのプラグイン・アンド・プレイ方式であるオープンセットテスト時間適応(UAPA)のための不確実性認識型プロトタイプ学習を提案する。
• 参考スコア（独自算出の注目度）: 75.65721426447935
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Open-set test-time adaptation (TTA) aims to adapt source-trained models to unlabeled test streams where covariate-shifted in-distribution (csID) samples and covariate-shifted out-of-distribution (csOOD) samples may coexist. Existing TTA methods are typically designed under a closed-set assumption and therefore lack explicit mechanisms for reliably distinguishing csID from csOOD samples. Consequently, csOOD samples may be mistakenly included in confidence-enhancing adaptation, producing harmful gradients that degrade known-class performance. To address this, we propose Uncertainty-Aware Prototype Learning for Open-Set Test-Time Adaptation (UAPA), a plug-and-play method for reliable open-set adaptation. Specifically, we first introduce Uncertainty-Driven ID/OOD Separation, which combines a classifier-prototype score with a mini-batch-normalized evidence-derived uncertainty score to distinguish csID from csOOD samples. We then propose a Dynamic Prototype Refinement strategy that periodically refines class-specific target prototypes using buffered csID features to progressively follow the estimated class directions. Lastly, we introduce Contrastive Prototype Entropy Adaptation, which applies entropy minimization to csID samples and entropy maximization to csOOD samples, while prototype-level contrastive learning aligns csID features with their corresponding target prototypes and reduces the maximum similarity between csOOD features and known-class prototypes. Empirically, UAPA outperforms the strongest baselines on the CIFAR benchmarks and Tiny-ImageNet-C, improving average OSCR by 2.08 and 1.28 percentage points, respectively.
• Abstract（参考訳）: オープンセットテストタイム適応(TTA)は、コバリエートシフトインディストリビューション(csID)サンプルとコバリエートシフトアウト・オブ・ディストリビューション(csOOD)サンプルが共存する未ラベルテストストリームに、ソーストレーニングモデルを適用することを目的としている。 既存のTTA法は一般にクローズドセットの仮定の下で設計されており、csOODサンプルとcsOODを確実に区別する明確なメカニズムが欠如している。 結果として、csOODサンプルは、信頼向上適応に誤って含まれ、既知のクラスのパフォーマンスを低下させる有害な勾配を生み出す。 そこで本稿では,オープンセット型適応のためのプラグイン・アンド・プレイ方式であるオープンセット型テスト時間適応のための不確実性認識型プロトタイプ学習を提案する。 具体的には、まず不確実性駆動ID/OOD分離を導入する。これは、分類器-プロトタイプスコアとミニバッチ正規化エビデンス起因不確かさスコアを組み合わせて、csIDとcsOODサンプルを区別する。 次に、バッファリングされたcsID機能を用いて、クラス固有のターゲットプロトタイプを周期的に洗練し、クラス方向を段階的に追従する動的プロトタイプリファインメント戦略を提案する。 最後に,csOODサンプルにエントロピー最小化,csOODサンプルにエントロピー最大化を適用するContrastive Prototype Entropy Adaptationを導入する。 経験的に、UAPAはCIFARベンチマークとTiny-ImageNet-Cで最強のベースラインを上回り、平均的なOSCRを2.08ポイント、そして1.28ポイント改善した。

関連論文リスト

• Mitigating the ID-OOD Tradeoff in Open-Set Test-Time Adaptation [52.620992698137236]
  オープンセットテスト時間適応(OSTTA)は、新しい環境にモデルを適用するという課題に対処する。 本稿では,OSTTAにおけるエントロピーの限界をまず解析し,次に特徴ノルム等級を規制する角損失を導入する。 高いID分類性能を維持しながら強力なOOD検出を実現する。
  論文  参考訳（メタデータ） (2026-04-02T04:00:57Z)
• ProtoDCS: Towards Robust and Efficient Open-Set Test-Time Adaptation for Vision-Language Models [32.840734752367275]
  Prototype-based Double-Check separation (ProtoDCS)はOSTTAの堅牢なフレームワークである。 csIDとcsOODを分離し、ビジョン言語モデルのcsIDデータへの安全かつ効率的な適応を可能にする。 ProtoDCSは、既知のクラス精度とOOD検出メトリクスの両方を大幅に向上させる。
  論文  参考訳（メタデータ） (2026-02-27T03:39:02Z)
• Predictive Sample Assignment for Semantically Coherent Out-of-Distribution Detection [62.1052001316508]
  セマンティック・コヒーレント・アウト・オブ・ディストリビューション検出(SCOOD)は、最近提案された現実的なOOD検出設定である。 予測サンプル割当て(PSA)に基づく簡潔SCOODフレームワークを提案する。 我々の手法は最先端の手法よりも大きなマージンで優れている。
  論文  参考訳（メタデータ） (2025-12-15T01:18:38Z)
• Multi-Cache Enhanced Prototype Learning for Test-Time Generalization of Vision-Language Models [7.542207462593201]
  ゼロショット設定では、テスト時間適応はテストフェーズからのラベルなしデータを用いて事前訓練されたモデルを調整し、未知のテスト分布の性能を向上させる。 本研究は,キャッシュ強化性能とクラス内コンパクト性との正の相関性を明らかにする。 3つのキャッシュを備えたマルチキャッシュ拡張プロトタイプベーステスト時間適応(MCP)を提案する。
  論文  参考訳（メタデータ） (2025-08-02T06:43:43Z)
• DOTA: Distributional Test-Time Adaptation of Vision-Language Models [69.41389326333771]
  トレーニングデータとテストデータの間に大きな分散ギャップが存在する場合、視覚言語の基礎モデルは信頼できない。 本稿では,DOTA(DistributiOnal Test-time Adaptation)を提案する。 この分散中心のアプローチは、モデルが継続的に学習し、デプロイメント環境に適応することを可能にする。
  論文  参考訳（メタデータ） (2024-09-28T15:03:28Z)
• Learning with Mixture of Prototypes for Out-of-Distribution Detection [25.67011646236146]
  アウト・オブ・ディストリビューション(OOD)検出は、イン・ディストリビューション(ID)トレーニングデータから遠く離れたテストサンプルを検出することを目的としている。 サンプルの多様性を捉えるために,各クラスを複数のプロトタイプでモデル化したプロトタイプ混在型学習法(PALM)を提案する。 提案手法はCIFAR-100ベンチマークにおいて93.82の最先端平均AUROC性能を実現する。
  論文  参考訳（メタデータ） (2024-02-05T00:52:50Z)
• 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)

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。