Apr, 2023

AdaNPC: 探索用于测试时间适应的非参数分类器

HTML
PDF
TL;DR本文提出了一种利用非参数分类器实现测试时自适应的方法（AdaNPC），该方法使用具有培训域中特征和标签对的存储器，以动态地适应不同领域的测试集。该方法通过本文进行的广泛数值实验比其他有竞争力的基线方法表现更好。
发现论文，激发创造
  • 无目标标签领域自适应综述

    本篇综述旨在回答分类器如何从源域学习并推广到目标域，分类方法包括基于样本的方法、基于特征的方法和基于推理的方法，文章还探讨了进一步研究所需的一些问题和条件。

    Jan, 2019

  • Tent: 通过最小熵化实现完全测试时间适应

    本篇研究提出了基于测试熵最小化（TENT）的完全测试时间自适应模型，通过优化其预测熵来提高分类性能，该方法在多个数据集上均取得了最先进的成果。

    Jun, 2020

  • 无遗忘的高效测试时间模型自适应

    本研究提出了一种主动样本选择的准则，以确定可靠和不冗余的样本，从而使模型更新以最小化测试时适应的熵损失。 同时，引入了一个Fisher正则化器，约束重要的模型参数使其不会发生剧烈变化，从而缓解“灾难性遗忘”的问题。

    Apr, 2022

  • 共轭伪标签测试时调整

    本文研究了针对分布漂移进行测试时间自适应（TTA）的方法，在各种函数类中元学习TTA loss能够迅速获得与熵函数类似的loss函数，并基于最优loss函数提供了更好的TTA方法。同时，在新型的supervised training loss函数中，我们的方法也显示了优异的表现，为改善测试时间自适应提供了广阔的框架。

    Jul, 2022

  • 基于能量的测试样本自适应方法用于领域泛化

    本研究提出了一种基于能量的样本适应方法，通过将看不见的目标样本适应到源训练模型上，实现领域泛化分类，并通过引入分类潜变量和能量最小化等手段，有效地实现了对样本的量化表示。

    Feb, 2023

  • 分布偏移下测试时间适应的综合调查

    本次研究调查了测试时间适应（TTA）在机器学习中的应用与优化方法。针对不同的学习场景，研究紧分测试时间领域适应、测试时间批适应、在线测试时间适应和测试时间先验适应四类，总结了高级算法的分类方法，探讨了TTA的应用与未来研究的挑战。

    Mar, 2023

  • 领域泛化的改进测试时适应

    本文提出了一种改进的测试时间自适应方法（ITTA），通过引入一个可学习的一致性损失，用于更新辅助测试任务，并且只在测试阶段更新可训练参数，从而解决了域泛化中分布偏移问题，实验表明，该方法在多个评估基准上具有卓越的性能。

    Apr, 2023

  • 域适应器：一种用于测试时适应的新方法

    通过 AdaMixBN 模块和广义熵最小化 (GEM) 损失函数，本论文提出了一种名为 DomainAdaptor 的统一方法，用于进行测试时的适应学习，以最大限度地挖掘测试数据中的信息，并解决训练和测试样本之间的领域偏移问题，从而在四个基准测试中稳定超过现有方法，尤其在少量数据的未知领域中带来了更显著的改进。

    Aug, 2023

  • 可靠的测试时间适应性的解耦原型学习

    通过提出Decoupled Prototype Learning (DPL)方法，本研究解决了使用伪标签进行交叉熵损失微调时容易受到标签噪声影响的问题，并引入了基于内存的策略增强小批量处理的鲁棒性，在遇到不确定伪标签的样本时，使用一致性正则化方法转移特征风格以提高测试时自适应（TTA）的可靠性。实验结果表明，我们的方法在领域泛化基准上取得了最先进的性能，并可靠提高图像破坏基准上基于自训练方法的性能。

    Jan, 2024

  • 超越测试时模型适应：一项综述

    本研究针对机器学习算法在测试样本分布偏离训练样本分布时所面临的挑战，提出了一种新的测试时适应学习范式，结合了领域适应和领域泛化的优点。通过对400多篇相关论文的系统性回顾，本文将现有方法分类为五个类别，并深入分析其在分布变化评估及实际应用中的有效性，展望了测试时适应的研究机会。

    Nov, 2024