通过协同作用的主动学习和模型选择探索测试时间人机协作适应性

May, 2024

通过协同作用的主动学习和模型选择探索测试时间人机协作适应性

Exploring Human-in-the-Loop Test-Time Adaptation by Synergizing Active Learning and Model Selection

Yushu Li, Yongyi Su, Xulei Yang, Kui Jia, Xun Xu

TL;DR本研究提出了一种基于主动学习和模型选择的人在环测试时间自适应方法，通过选择具有信息量的样本进行标记并使用已标记的数据选择最优超参数，实验结果表明该方法在 4 个测试时间自适应数据集上优于最先进的方法和基于流的主动学习方法。

Abstract

Existing test-time adaptation (TTA) approaches often adapt models with the unlabeled testing data stream. A recent attempt relaxed the assumption by introducing limited human annotation, referred to as Human-In-the-Loop

test-time adaptation human-in-the-loop test-time adaptation active learning model selection hyper-parameters

发现论文，激发创造

少数点击即可：主动测试时间适应语义分割

在这项工作中，我们通过引入人机协同测试模式，提出了一种简单而有效的 ATASeg 框架，它通过极少量的注释实现了 TTA 方法和有监督方法之间的性能差距的弥合。

Dec, 2023

朝向临床医生首选的分割：利用人为辅助实时调整来进行医学图像分割

通过集成医生纠正的预测和发散损失函数，我们提出的人在环形的测试时间适应框架能够提高深度学习医学图像分割模型在不同医疗中心中的性能和适应性。

May, 2024

主动测试时间适应：理论分析与算法

使用主动学习在完全的测试时间适应设置中，通过限制标记测试实例的数量，提高测试领域之间的整体性能，同时避免灾难性遗忘，从而在测试时间适应（TTA）下解决领域偏移的问题。

Apr, 2024

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

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

可靠的测试时间适应性通过线上协议

通过对测试数据的自适应方法（TTA）进行评估和校准，解决了分布转移时的困难，同时提出了关于 OOD 准确性估计和超参数调整的可靠方法。

Oct, 2023

面向跨人活动识别的无需优化的测试时间适应

本文提出了一种无需优化的测试时适应（OFTTA）框架，用于基于传感器的人体活动识别（HAR），通过使用指数衰减测试时归一化（EDTN）和基于特征和原型之间的距离的分类器更新方法，OFTTA 能够在分类性能和计算效率方面超越最先进的测试时适应方法。

Oct, 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

动态场景下的鲁棒性测试时间适应

本研究提出了一种适用于实际测试数据流的鲁棒测试时间自适应方法，其中包括批量归一化方案、内存库和师生模型，能够稳定地应用于动态实际应用场景中。

Mar, 2023

SoTTA：嘈杂数据流上的鲁棒测试时适应

通过高置信度统一类别采样实现输入层面的健壮性和通过熵 - 锐度最小化提高模型参数对噪声样本大梯度的健壮性，我们提出了一种对噪声样本具有鲁棒性的新颖的测试时适应性算法（SoTTA），在各种噪声场景下，我们的方法优于基准测试时适应性方法，并在没有噪声样本的情况下达到可比较的准确度。

Oct, 2023