Buchumschlag

Distance Matters For Improving Performance Estimation Under Covariate Shift

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Roschewitz, Mélanie, Glocker, Ben
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Computer Vision and Pattern Recognition Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Pixel-level Counterfactual Contrastive Learning for Medical Image Segmentation
von: Lafargue-Hauret, Marceau, et al.
Veröffentlicht: (2026)

Radio-opaque artefacts in digital mammography: automatic detection and analysis of downstream effects
von: Schueppert, Amelia, et al.
Veröffentlicht: (2024)

Automatic dataset shift identification to support safe deployment of medical imaging AI
von: Roschewitz, Mélanie, et al.
Veröffentlicht: (2024)

Where are we with calibration under dataset shift in image classification?
von: Roschewitz, Mélanie, et al.
Veröffentlicht: (2025)

Average Calibration Error: A Differentiable Loss for Improved Reliability in Image Segmentation
von: Barfoot, Theodore, et al.
Veröffentlicht: (2024)

Counterfactual Stress Testing for Image Classification Models
von: Stammel, Moritz, et al.
Veröffentlicht: (2026)

Demystifying Variational Diffusion Models
von: Ribeiro, Fabio De Sousa, et al.
Veröffentlicht: (2024)

Identifiable Object Representations under Spatial Ambiguities
von: Kori, Avinash, et al.
Veröffentlicht: (2025)

Exploring the interplay of label bias with subgroup size and separability: A case study in mammographic density classification
von: Stanley, Emma A. M., et al.
Veröffentlicht: (2025)

Counterfactual contrastive learning: robust representations via causal image synthesis
von: Roschewitz, Melanie, et al.
Veröffentlicht: (2024)

Robust image representations with counterfactual contrastive learning
von: Roschewitz, Mélanie, et al.
Veröffentlicht: (2024)

Mitigating attribute amplification in counterfactual image generation
von: Xia, Tian, et al.
Veröffentlicht: (2024)

Causal Representation Learning with Observational Grouping for CXR Classification
von: Rasal, Rajat, et al.
Veröffentlicht: (2025)

Pooling Image Datasets With Multiple Covariate Shift and Imbalance
von: Chytas, Sotirios Panagiotis, et al.
Veröffentlicht: (2024)

Robustifying Diffusion-Denoised Smoothing Against Covariate Shift
von: Hedayatnia, Ali, et al.
Veröffentlicht: (2025)

Combining imaging and shape features for prediction tasks of Alzheimer's disease classification and brain age regression
von: Shehata, Nairouz, et al.
Veröffentlicht: (2025)

Hybrid-Regularized Magnitude Pruning for Robust Federated Learning under Covariate Shift
von: Goksu, Ozgu, et al.
Veröffentlicht: (2024)

Training-Free Test-Time Adaptation with Brownian Distance Covariance in Vision-Language Models
von: Zhang, Yi, et al.
Veröffentlicht: (2026)

Ego4OOD: Rethinking Egocentric Video Domain Generalization via Covariate Shift Scoring
von: Vaseqi, Zahra, et al.
Veröffentlicht: (2026)

From Local Geometry to Global Pseudo Labeling for Robust Positive Unlabeled Learning under Covariate Shift
von: Gabetni, Firas, et al.
Veröffentlicht: (2026)

Domain-Inspired Sharpness-Aware Minimization Under Domain Shifts
von: Zhang, Ruipeng, et al.
Veröffentlicht: (2024)

Improving Diffusion Models for Inverse Problems Using Optimal Posterior Covariance
von: Peng, Xinyu, et al.
Veröffentlicht: (2024)

Latent Domain Modeling Improves Robustness to Geographic Shifts
von: Crasto, Ruth, et al.
Veröffentlicht: (2025)

Grounded Object Centric Learning
von: Kori, Avinash, et al.
Veröffentlicht: (2023)

Diffusion Counterfactual Generation with Semantic Abduction
von: Rasal, Rajat, et al.
Veröffentlicht: (2025)

Can Your Generative Model Detect Out-of-Distribution Covariate Shift?
von: Viviers, Christiaan, et al.
Veröffentlicht: (2024)

A Causal Framework for Mitigating Data Shifts in Healthcare
von: Butler, Kurt, et al.
Veröffentlicht: (2026)

TIC-TAC: A Framework for Improved Covariance Estimation in Deep Heteroscedastic Regression
von: Shukla, Megh, et al.
Veröffentlicht: (2023)

Low-Data Supervised Adaptation Outperforms Prompting for Cloud Segmentation Under Domain Shift
von: Kethavath, Harshith, et al.
Veröffentlicht: (2026)

A Systematic Analysis of Out-of-Distribution Detection Under Representation and Training Paradigm Shifts
von: Olivares, Claudio César Claros, et al.
Veröffentlicht: (2025)

WQLCP: Weighted Adaptive Conformal Prediction for Robust Uncertainty Quantification Under Distribution Shifts
von: Alijani, Shadi, et al.
Veröffentlicht: (2025)

Selective Classification Under Distribution Shifts
von: Liang, Hengyue, et al.
Veröffentlicht: (2024)

Variance-Covariance Regularization Improves Representation Learning
von: Zhu, Jiachen, et al.
Veröffentlicht: (2023)

Calibrated and Robust Foundation Models for Vision-Language and Medical Image Tasks Under Distribution Shift
von: Khan, Behraj, et al.
Veröffentlicht: (2025)

Flow Stochastic Segmentation Networks
von: Ribeiro, Fabio De Sousa, et al.
Veröffentlicht: (2025)

Improving Shift Invariance in Convolutional Neural Networks with Translation Invariant Polyphase Sampling
von: Saha, Sourajit, et al.
Veröffentlicht: (2024)

Robust Visual Representation Learning with Multi-modal Prior Knowledge for Image Classification Under Distribution Shift
von: Zhou, Hongkuan, et al.
Veröffentlicht: (2024)

Assessing Uncertainty Estimation Methods for 3D Image Segmentation under Distribution Shifts
von: Javanbakhat, Masoumeh, et al.
Veröffentlicht: (2024)

Wasserstein Distances Made Explainable: Insights Into Dataset Shifts and Transport Phenomena
von: Naumann, Philip, et al.
Veröffentlicht: (2025)

Covariance-aware sampling for Diffusion Models
von: Schioppa, Andrea, et al.
Veröffentlicht: (2026)