Buchumschlag

Control+Shift: Generating Controllable Distribution Shifts

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Friedman, Roy, Chowers, Rhea
Format:	Preprint
Veröffentlicht:	2024
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

Is the Modality Gap a Bug or a Feature? A Robustness Perspective
von: Chowers, Rhea, et al.
Veröffentlicht: (2026)

What do CNNs Learn in the First Layer and Why? A Linear Systems Perspective
von: Chowers, Rhea, et al.
Veröffentlicht: (2022)

Adapting to Distribution Shift by Visual Domain Prompt Generation
von: Chi, Zhixiang, et al.
Veröffentlicht: (2024)

DC4L: Distribution Shift Recovery via Data-Driven Control for Deep Learning Models
von: Lin, Vivian, et al.
Veröffentlicht: (2023)

Prompt Tuning Vision Language Models with Margin Regularizer for Few-Shot Learning under Distribution Shifts
von: Brahma, Debarshi, et al.
Veröffentlicht: (2025)

Understanding Generalization through Decision Pattern Shift
von: Deng, Huiqi, et al.
Veröffentlicht: (2026)

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

Intriguing Properties of Modern GANs
von: Friedman, Roy, et al.
Veröffentlicht: (2024)

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

Uncertainty-Aware Subset Selection for Robust Visual Explainability under Distribution Shifts
von: Gupta, Madhav, et al.
Veröffentlicht: (2025)

Learning Calibrated Uncertainties for Domain Shift: A Distributionally Robust Learning Approach
von: Wang, Haoxuan, et al.
Veröffentlicht: (2020)

Is Exchangeability better than I.I.D to handle Data Distribution Shifts while Pooling Data for Data-scarce Medical image segmentation?
von: Roy, Ayush, et al.
Veröffentlicht: (2025)

SIMSHIFT: A Benchmark for Adapting Neural Surrogates to Distribution Shifts
von: Setinek, Paul, et al.
Veröffentlicht: (2025)

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

GRASP-GCN: Graph-Shape Prioritization for Neural Architecture Search under Distribution Shifts
von: Casarin, Sofia, et al.
Veröffentlicht: (2024)

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)

Adaptive Sample-Level Framework Motivated by Distributionally Robust Optimization with Variance-Based Radius Assignment for Enhanced Neural Network Generalization Under Distribution Shift
von: Sravon, Aheer, et al.
Veröffentlicht: (2025)

Convergence Analysis of Blurring Mean Shift
von: Yamasaki, Ryoya, et al.
Veröffentlicht: (2024)

Doubly Stochastic Mean-Shift Clustering
von: Trigano, Tom, et al.
Veröffentlicht: (2026)

Few-shot Adaptation to Distribution Shifts By Mixing Source and Target Embeddings
von: Xue, Yihao, et al.
Veröffentlicht: (2023)

Just Shift It: Test-Time Prototype Shifting for Zero-Shot Generalization with Vision-Language Models
von: Sui, Elaine, et al.
Veröffentlicht: (2024)

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

OODRobustBench: a Benchmark and Large-Scale Analysis of Adversarial Robustness under Distribution Shift
von: Li, Lin, et al.
Veröffentlicht: (2023)

Adapt, But Don't Forget: Fine-Tuning and Contrastive Routing for Lane Detection under Distribution Shift
von: Khan, Mohammed Abdul Hafeez, et al.
Veröffentlicht: (2025)

Producing Plankton Classifiers that are Robust to Dataset Shift
von: Chen, Cheng, et al.
Veröffentlicht: (2024)

Dynamic Base model Shift for Delta Compression
von: Huang, Chenyu, et al.
Veröffentlicht: (2025)

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

Distribution Shifts at Scale: Out-of-distribution Detection in Earth Observation
von: Ekim, Burak, et al.
Veröffentlicht: (2024)

Adaptive Concept Bottleneck for Foundation Models Under Distribution Shifts
von: Choi, Jihye, et al.
Veröffentlicht: (2024)

Interpreting CLIP: Insights on the Robustness to ImageNet Distribution Shifts
von: Crabbé, Jonathan, et al.
Veröffentlicht: (2023)

A Shift in Perspective on Causality in Domain Generalization
von: Machlanski, Damian, 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)

Online Distillation with Continual Learning for Cyclic Domain Shifts
von: Houyon, Joachim, et al.
Veröffentlicht: (2023)

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

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

Adapting Large Multimodal Models to Distribution Shifts: The Role of In-Context Learning
von: Zhou, Guanglin, et al.
Veröffentlicht: (2024)

Prediction Accuracy & Reliability: Classification and Object Localization under Distribution Shift
von: Diet, Fabian, et al.
Veröffentlicht: (2024)

Label Distribution Shift-Aware Prediction Refinement for Test-Time Adaptation
von: Jang, Minguk, et al.
Veröffentlicht: (2024)