pSTarC: Pseudo Source Guided Target Clustering for Fully Test-Time Adaptation

要約

テスト時間適応 (TTA) は機械学習における極めて重要な概念であり、テスト データの配布がトレーニングとは異なる現実のシナリオでモデルが適切にパフォーマンスを発揮できるようにします。
この研究では、現実世界のドメイン シフトの下での TTA の比較的未踏の領域に対処する、擬似ソース誘導ターゲット クラスタリング (pSTarC) と呼ばれる新しいアプローチを提案します。
この方法は、ターゲット クラスタリング技術からインスピレーションを得て、疑似ソース サンプルを生成するためにソース分類器を利用します。
テスト サンプルはこれらの疑似ソース サンプルと戦略的に調整され、クラスタリングが容易になり、それによって TTA パフォーマンスが向上します。
pSTarC は完全なテスト時間適応プロトコル内でのみ動作し、実際のソース データは必要ありません。
さまざまなドメイン シフト データセット、つまり VisDA、Office-Home、DomainNet-126、CIFAR-100C での実験検証により、pSTarC の有効性が検証されます。
この方法では、効率的な計算要件に加えて、予測精度が大幅に向上します。
さらに、継続的 TTA フレームワークに対する pSTarC フレームワークの有効性を示すことで、pSTarC フレームワークの普遍性も実証します。
私たちのメソッドのソース コードは https://manogna-s.github.io/pstarc で入手できます。

要約(オリジナル)

Test Time Adaptation (TTA) is a pivotal concept in machine learning, enabling models to perform well in real-world scenarios, where test data distribution differs from training. In this work, we propose a novel approach called pseudo Source guided Target Clustering (pSTarC) addressing the relatively unexplored area of TTA under real-world domain shifts. This method draws inspiration from target clustering techniques and exploits the source classifier for generating pseudo-source samples. The test samples are strategically aligned with these pseudo-source samples, facilitating their clustering and thereby enhancing TTA performance. pSTarC operates solely within the fully test-time adaptation protocol, removing the need for actual source data. Experimental validation on a variety of domain shift datasets, namely VisDA, Office-Home, DomainNet-126, CIFAR-100C verifies pSTarC’s effectiveness. This method exhibits significant improvements in prediction accuracy along with efficient computational requirements. Furthermore, we also demonstrate the universality of the pSTarC framework by showing its effectiveness for the continuous TTA framework. The source code for our method is available at https://manogna-s.github.io/pstarc

arxiv情報

提供元, 利用サービス

arxiv.jp, Google