暗闇での適応：ブラックボックスモデル向けの効率的で安定なテスト時適応
arXiv cs.LG / 2026/4/20
📰 ニュースIdeas & Deep AnalysisTools & Practical UsageModels & Research
要点
- 本論文は、API経由でのみ利用できるブラックボックスモデルに対するテスト時適応（TTA）の課題に取り組み、既存手法の限界（適応能力の不足）や導入コストの高さ（高いクエリコスト）を問題として扱います。
- 提案手法はBETA（Black-box Efficient Test-time Adaptation）で、軽量なローカル白箱「ステアリング」モデルを用いて、ブラックボックスの入出力を変えずに勾配を扱える経路を作ります。
- BETAは、予測の調和（prediction harmonization）、整合性正則化（consistency regularization）、プロンプト学習を意識したフィルタリングを組み合わせることで、追加API呼び出しなしで安定した適応を実現します。
- ImageNet-Cで、ViT-B/16は+7.1%、CLIPは+3.4%の精度向上を示し、TENTやTPTなどの既存手法を上回ります。
- 商用API環境では、BETAがZOOと同等の性能を250分の1のコストで達成し、さらにリアルタイム推論速度も維持するため、実運用のブラックボックスTTAとして有用だと結論づけています。
