测试时间数据扩增的学习损失
本论文提出了一种基于学习的测试时间增强方法，通过实验分析发现了传统简单平均的不足，在进行测试时间增强时，即使使准确率有所提高，也会使许多正确的预测变为错误的预测，探讨了这种现象的原因，并在各种模型、数据集和增强方法上验证了本方法的稳定性和准确性。
Nov, 2020
本文提出了一种简单的方法，在没有模型训练过程的任何假设的情况下，通过在测试数据点上执行不同的数据增强并通过最小化平均输出分布的熵来适应模型参数，从而提高模型的鲁棒性。该方法在多个基准测试中都表现出色，并在 ImageNet-C、ImageNet-R 和 ImageNet-A 分布偏移基准测试中实现了最先进的结果。
Oct, 2021
通过智能测试时间增强 (TTA) 算法，在视角变化的情况下提高图像分类模型的稳健性和准确性，该方法根据预测不确定性指标智能选择最佳增强方法，并通过两个阶段的过程来实现该选择，实验验证证明这种方法可以在多个数据集和神经网络架构上获得平均准确率提高 1.73%，突出了在智能增强策略方面进一步探索的潜力。
Jun, 2024
本文提出了一种针对医学图像分割的高效通用数据增强框架，采用了计算效率高且数据效率高的基于梯度的元学习方案，通过使用用于未见测试数据的代理验证数据明确对齐训练和验证数据的分布以改进增广策略。本文通过两个核心设计改进了当前数据增广策略，即在训练时有效学习类别特定的数据增强并联合优化训练时和测试时数据增强，实验证明该方法针对医学图像分割存在的分类不平衡问题，可显著且一致地提高分割效果。
May, 2023
该论文研究深度神经网络在非训练时数据分布下表现不佳的问题，提出一种全测试时间适应的解决方案，通过使用替代熵和添加基于批次的熵最大化的多样性正则化器来解决熵最小化的早期收敛和不稳定性问题，并且可以通过在完全测试时间适应性损失中学习无需目标域标签或源域数据的输入变换模块，从而达到在 ImageNet-C 等挑战性基准测试中提高公共预训练图像分类器鲁棒性的效果。
Jun, 2021
该研究提出了一种名为 TeachAugment 的数据增强优化方法，使用对抗策略和教师模型来搜索增强，简化搜索空间设计并允许使用梯度方法更新数据增强。在图像分类、语义分割和无监督表示学习任务的实验中，TeachAugment 优于现有方法。
Feb, 2022
本文提出一种针对神经网络对未知数据的检测算法，名为 TTA-AD，借鉴了一种新的观察方法，实验证明 TTA-AD 在不同高效图像基准数据集下，运行时间比现有基于分类器的算法下降了 60%~90% 且具有可比较或更好的检测性能。
Jun, 2022
本文考察了一系列线性变换及其对于过参数化线性回归问题中的岭回归估计量的影响，证实了保留数据标签的变换能够通过扩大训练数据空间来提高估计精度，而混合数据的变换则能够达到一种正则化效果。在此基础上，提出一种根据模型不确定性搜索变换空间的数据增强方案，并在图像和文本数据集上测试，证实了其表现优于已有的 RandAugment 方法及能够达到现有 SoTA 方法的精度。
May, 2020