Buchumschlag

SIMSHIFT: A Benchmark for Adapting Neural Surrogates to Distribution Shifts

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Setinek, Paul, Galletti, Gianluca, Gross, Thomas, Schnürer, Dominik, Brandstetter, Johannes, Zellinger, Werner
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Computer Vision and Pattern Recognition Computational Physics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Stabilizing Test-Time Adaptation of High-Dimensional Simulation Surrogates via D-Optimal Statistics
von: Zimmel, Anna, et al.
Veröffentlicht: (2026)

Towards Multi-Fidelity Scaling Laws of Neural Surrogates in CFD
von: Setinek, Paul, et al.
Veröffentlicht: (2025)

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

Shape Generation via Weight Space Learning
von: Plattner, Maximilian, et al.
Veröffentlicht: (2025)

Geometry-Informed Neural Networks
von: Berzins, Arturs, et al.
Veröffentlicht: (2024)

Meltdown: Circuits and Bifurcations in Point-Cloud-Conditioned 3D Diffusion Transformers
von: Plattner, Maximilian, et al.
Veröffentlicht: (2026)

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)

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

Diverse Topology Optimization using Modulated Neural Fields
von: Radler, Andreas, et al.
Veröffentlicht: (2025)

Ranked Activation Shift for Post-Hoc Out-of-Distribution Detection
von: Guglielmo, Gianluca, et al.
Veröffentlicht: (2026)

Control+Shift: Generating Controllable Distribution Shifts
von: Friedman, Roy, et al.
Veröffentlicht: (2024)

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

MIM-Refiner: A Contrastive Learning Boost from Intermediate Pre-Trained Representations
von: Alkin, Benedikt, et al.
Veröffentlicht: (2024)

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

5D Neural Surrogates for Nonlinear Gyrokinetic Simulations of Plasma Turbulence
von: Galletti, Gianluca, et al.
Veröffentlicht: (2025)

How Well Does GPT-4V(ision) Adapt to Distribution Shifts? A Preliminary Investigation
von: Han, Zhongyi, et al.
Veröffentlicht: (2023)

Vision-LSTM: xLSTM as Generic Vision Backbone
von: Alkin, Benedikt, et al.
Veröffentlicht: (2024)

Neural Surrogate Forward Modelling For Electrocardiology Without Explicit Intracellular Conductivity Tensor
von: Ogbomo-Harmitt, Shaheim, et al.
Veröffentlicht: (2026)

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)

Accurately Classifying Out-Of-Distribution Data in Facial Recognition
von: Barone, Gianluca, et al.
Veröffentlicht: (2024)

Physics-guided Shape-from-Template: Monocular Video Perception through Neural Surrogate Models
von: Stotko, David, et al.
Veröffentlicht: (2023)

LAION-C: An Out-of-Distribution Benchmark for Web-Scale Vision Models
von: Li, Fanfei, et al.
Veröffentlicht: (2025)

Adapting SAM for Volumetric X-Ray Data-sets of Arbitrary Sizes
von: Gruber, Roland, et al.
Veröffentlicht: (2024)

Sharpness-Aware Surrogate Training for On-Sensor Spiking Neural Networks
von: Nicholson, Maximilian
Veröffentlicht: (2026)

Clustering-Based Validation Splits for Model Selection under Domain Shift
von: Napoli, Andrea, 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)

A Tale of Two Classes: Adapting Supervised Contrastive Learning to Binary Imbalanced Datasets
von: Mildenberger, David, et al.
Veröffentlicht: (2025)

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

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

Adapt before Continual Learning
von: Lu, Aojun, et al.
Veröffentlicht: (2025)

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

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

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

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

Toward a Realistic Benchmark for Out-of-Distribution Detection
von: Recalcati, Pietro, et al.
Veröffentlicht: (2024)

Deepfake Detection of Face Images based on a Convolutional Neural Network
von: Kroiß, Lukas, et al.
Veröffentlicht: (2025)

Accelerating Simulation of Two-Phase Flows with Neural PDE Surrogates
von: Poels, Yoeri, 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)

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