TTL：事前学習済みのビジョン・ランゲージモデルによるOOD検出のためのテスト時テキスト学習

概要: CLIP のような視覚言語モデル（VLM）は、視覚表現とテキスト表現を整合させることで、強力な外部分布（OOD）検出能力を示します。最近の CLIP に基づくテスト時適応手法は、外部 OOD ラベルを組み込むことで検出性能をさらに向上させています。 しかし、そのようなラベルは有限で固定されています。一方で、実際の OOD セマンティック空間は本質的にオープンエンドです。したがって、固定ラベルでは、テストストリームで遭遇する多様で進化する OOD セマンティクスを表現できません。この制約に対処するために、本研究では Test-time Textual Learning（TTL）を提案します。TTL は、外部 OOD ラベルに依存することなく、ラベルなしのテストストリームから動的に OOD テキスト意味論を学習する枠組みです。TTL は、擬似ラベル付けされたテストサンプルを用いて、出現する OOD 知識を捉えるように学習可能なプロンプトを更新します。擬似ラベルによって導入されるノイズを抑制するために、適応のための信頼できる OOD サンプルを選択しつつノイズを抑える、OOD 知識精製戦略を導入します。さらに TTL は、高品質なテキスト特徴を保存する OOD テキスト知識バンクを維持し、バッチ間で安定したスコア較正を提供します。9 つの OOD データセットを含む 2 つの標準ベンチマークに対する大規模な実験の結果、TTL は一貫して最先端の性能を達成することが示され、頑健なテスト時 OOD 検出のためのテキスト適応の価値が強調されました。コードは https://github.com/figec/TTL で公開しています。