Conceitos Básicos
모델의 보이지 않는 도메인에 대한 성능을 효율적으로 평가할 수 있는 최적 전송 기반 메트릭을 제안한다.
Resumo
이 논문은 기계 학습 모델이 훈련 데이터와 다른 분포의 데이터에 직면할 때 성능 저하가 발생하는 문제를 다룹니다. 이를 해결하기 위해 저자들은 TETOT(Test-time Estimation of Transferability via Optimal Transport)라는 메트릭을 제안합니다.
TETOT는 소스 도메인과 타겟 도메인 간의 분포 차이를 최적 전송 거리를 사용하여 측정합니다. 이 메트릭은 테스트 시간에 사용할 수 있으며 소스 도메인 데이터 또는 통계와 소량의 타겟 도메인 데이터만 필요합니다.
저자들은 TETOT가 다양한 실용적인 응용 분야에서 모델의 전이 가능성을 예측하는 데 매우 효과적임을 보여줍니다. 이러한 응용 분야에는 아키텍처 선택, 소스 데이터 선택, 보이지 않는 도메인에 대한 모델 성능 예측 등이 포함됩니다. TETOT는 기존의 엔트로피 기반 메트릭보다 월등한 성능을 보입니다.
Estatísticas
모델의 성능 저하는 소스 도메인과 타겟 도메인 간의 분포 차이로 인해 발생한다.
TETOT는 소스 도메인과 타겟 도메인 간의 분포 차이를 최적 전송 거리를 사용하여 측정한다.
TETOT는 소스 도메인 데이터 또는 통계와 소량의 타겟 도메인 데이터만 필요하다.
Citações
"TETOT는 테스트 시간에 사용할 수 있으며 소스 도메인 데이터 또는 통계와 소량의 타겟 도메인 데이터만 필요하다."
"TETOT는 다양한 실용적인 응용 분야에서 모델의 전이 가능성을 예측하는 데 매우 효과적이다."