論文の概要: Batch-Conditioned Semantic Anchors for Robust Transductive Adaptation of Vision--Language Models

• arxiv url: http://arxiv.org/abs/2611.06993v1
• Date: Wed, 04 Nov 2026 18:18:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.423217
• Title: Batch-Conditioned Semantic Anchors for Robust Transductive Adaptation of Vision--Language Models
• Title（参考訳）: 視覚のロバストなトランスダクティブ適応のためのバッチコンディション付きセマンティックアンカー-言語モデル
• Abstract要約: JPTAは、バッチ条件のセマンティックリファレンス推定として、トランスダクティブVLM適応をキャストする。 TransCLIPとStatAを一貫して上回り、スパースバッチと事前シフトバッチで最大の利益を得ている。
• 参考スコア（独自算出の注目度）: 4.273177030613628
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Transductive adaptation improves vision-language models at test time by refining predictions on an unlabeled batch, but current methods face a key trade-off. Aggressive approaches exploit batch structure but can drift when batches are sparse, have prior shift, or cover little of the label space. Conservative methods better preserve CLIP text semantics, but fixed semantic references can under-adapt even when the batch provides strong corrective evidence. We propose JPTA (Joint Prior and Transport Adaptation), a prior-aware framework that casts transductive VLM adaptation as batch-conditioned semantic reference estimation. Instead of treating CLIP text prototypes as fixed priors or freely replaceable, JPTA views them as semantic references that shift toward image-side batch structure only under calibrated evidence. It estimates batch priors and soft image-side prototypes to form transported semantic references whose impact is scaled by batch reliability. Across standard benchmarks, low effective-class regimes, all-class evaluation, and online streams, JPTA consistently outperforms TransCLIP and StatA, with the largest gains on sparse and prior-shifted batches. Anchor-drift, active-support, and absent-class-mass diagnostics show that JPTA fixes effective-class mismatch without unconstrained transductive drift, indicating that robust transductive VLM adaptation should recalibrate semantic references using reliable batch evidence rather than choose between unrestricted transduction and fixed prototypes. Code is available at https://github.com/MR-Sherif/JPTA.git.
• Abstract（参考訳）: トランスダクティブ適応は、未ラベルのバッチ上での予測を精査することで、テスト時の視覚言語モデルを改善するが、現在のメソッドは重要なトレードオフに直面している。 アグレッシブアプローチはバッチ構造を利用するが、バッチが疎かったり、事前シフトがあったり、ラベル空間のほとんどをカバーできる。 保守的なメソッドはCLIPテキストのセマンティクスを保存しやすいが、バッチが強力な修正的証拠を提供する場合でも、固定されたセマンティクス参照はアンダーアダプトできる。 本稿では,バッチ条件のセマンティック参照推定としてトランスダクティブVLMを適応させる事前認識フレームワークJPTAを提案する。 JPTAは、CLIPテキストプロトタイプを固定された事前または自由に置き換えられるものとして扱う代わりに、画像側バッチ構造へ移行するセマンティックリファレンスとして、キャリブレーションされたエビデンスの下でのみ扱う。 バッチの事前とソフトなイメージサイドのプロトタイプを見積もって、バッチの信頼性によって影響を拡大した、トランスポートされたセマンティックリファレンスを形成する。 標準ベンチマーク、低効率なクラスレギュレーション、オールクラスの評価、オンラインストリームなど、JPTAは一貫してTransCLIPとStatAを上回り、スパースと事前シフトのバッチで最大の利益を上げている。 Anchor-drift, active- supported, and absent-class-mass diagnosiss はJPTAが非拘束的トランスダクティブドリフトを伴わずに効果的なクラスミスマッチを修正することを示し、堅牢なトランスダクティブVLM適応は、非拘束的トランスダクティブと固定されたプロトタイプを選択するよりも、信頼できるバッチエビデンスを用いてセマンティックリファレンスを再検討すべきであることを示している。 コードはhttps://github.com/MR-Sherif/JPTA.gitで入手できる。

関連論文リスト

• COMPASS: Contextual Moment Prior Alignment for Generalizable AIGI Detection [87.91469665365304]
  一般化可能なAI生成画像(AIGI)とディープフェイク検出は、非対称性現象のため難しいままである。 最近の部分空間適応法は、残留部分空間を適応させながら高次主成分を凍結することによりこの問題を軽減する。 本稿では,小さなSemantic Proxy Setを用いて,ターゲットのアクティベーション統計を推定するデータ認識サブスペース適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-10-13T09:23:12Z)
• Efficient Test-time Adaptation through Candidate Verification and Divergence Shifts [5.403677859218301]
  視覚言語モデル(VLM)は、強いゼロショット転送性を実現するが、推論時にターゲットドメインシフトに弱いままである。 仮説に基づく修正フレームワークであるTTC(Test-Time Correction)を提案する。 TTCは最先端のVLM-TTA法の精度を継続的に改善し、最大2倍のスピードアップ、3倍のCPUメモリ使用率、最大1.4倍のGPUメモリ使用率を実現している。
  論文  参考訳（メタデータ） (2026-10-05T11:18:51Z)
• A Heckler in the Hidden State: Correctness Signals in Diffusion Language Models [4.165512410177194]
  拡散モデルは、部分的にマスキングされたシーケンスを繰り返し更新することでコードを生成する。 我々は、それらの内部アクティベーションがコード正しさを符号化し、その情報が生成を改善するかどうかを問う。
  論文  参考訳（メタデータ） (2026-09-29T05:54:31Z)
• Structuring Semantic Embeddings for Principle Evaluation: A Prototype-Guided Contrastive Learning Approach [58.15427952222424]
  汎用的なテキスト埋め込みはそのようなタスクに広くデプロイされているが、意味的類似性は意味的に似ているがタスク固有の例を示すことができる。 本稿では,凍結したテキスト埋め込み上に構築された幾何正規化モジュールであるPGCL(Prototype-Guided Contrastive Learning)を紹介する。
  論文  参考訳（メタデータ） (2026-08-15T13:19:25Z)
• Beyond Perception Errors: Semantic Fixation in Large Vision-Language Models [1.7767466724342065]
  大規模な視覚言語モデル(VLM)はよく親しみやすいセマンティックな先行概念に依存するが、既存の評価は、認識障害とルールマッピングの失敗を明確に区別するものではない。 我々は,この動作を意味的固定として検討する。プロンプトが代替の等しく有効なマッピングを指定した場合でも,デフォルトの解釈を保存する。 14個のオープンかつクローズドなVLMに対して、精度は常に標準ルールを好んでおり、ロバストなセマンティック固定ギャップが明らかになっている。
  論文  参考訳（メタデータ） (2026-04-13T22:53:39Z)
• Benchmarking Few-shot Transferability of Pre-trained Models with Improved Evaluation Protocols [123.73663884421272]
  より強力な事前訓練モデルと改良された適応アルゴリズムによって、わずかなショット転送が革新されている。 FEWTRANSは10種類のデータセットを含む総合的なベンチマークである。 FEWTRANS をリリースすることにより,数発の転写学習研究において再現性の向上を合理化するための厳密な "ルーラー" の提供を目指す。
  論文  参考訳（メタデータ） (2026-02-28T05:41:57Z)
• LATA: Laplacian-Assisted Transductive Adaptation for Conformal Uncertainty in Medical VLMs [61.06744611795341]
  医用視覚言語モデル(VLM)は医用画像の強力なゼロショット認識器である。 本研究では,ラプラシアン支援トランスダクティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ(texttttextbfLATA,ラプラシアン支援トランスダクティブ・アダプティブ・アダプティブ・アダプティブ)を提案する。 texttttextbfLATAは交換性を損なうことなくゼロショット予測をシャープにする。
  論文  参考訳（メタデータ） (2026-02-19T16:45:38Z)
• Test-Time Adaptation with Binary Feedback [50.20923012663613]
  BiTTAは、不確実なサンプルに対するバイナリフィードバック誘導適応と、確実な予測に対する合意に基づく自己適応のバランスをとる、新しいデュアルパス最適化フレームワークである。 実験の結果、BiTTAは最先端のベースラインよりも13.3%の精度向上を実現している。
  論文  参考訳（メタデータ） (2025-05-24T05:24:10Z)
• Label Shift Adapter for Test-Time Adaptation under Covariate and Label Shifts [48.83127071288469]
  テスト時間適応(TTA)は、推論中にバッチ・バイ・バッチ方式で、事前訓練されたモデルをターゲットドメインに適応することを目的としている。 これまでのほとんどのTTAアプローチは、ソースとターゲットのドメインのデータセットがバランスの取れたラベルの分布を持っていると仮定している。 本稿では,ラベルシフトを効果的に扱うために,既存のTTAアプローチに組み込む新しいラベルシフトアダプタを提案する。
  論文  参考訳（メタデータ） (2023-08-17T06:37:37Z)

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。