Kontinuierliche Testzeit-Anpassung (CTTA) zielt darauf ab, ein vortrainiertes Modell an sich ständig ändernde Zielverteilungen anzupassen, um die Dynamik der realen Welt zu bewältigen. Wir führen eine neuartige kontinuierliche selbstüberwachte Methode, die Adaptiven Verteilungsbasierten Maskierten Autoencoder (ADMA), ein, um die Extraktion von Zieldomänenwissen zu verbessern und die Akkumulation von Verteilungsverschiebungen zu verringern.
Branch-Tuning ist eine effiziente und einfache Methode, die ein Gleichgewicht zwischen Stabilität und Plastizität beim kontinuierlichen selbstüberwachten Lernen erreicht, ohne alte Daten oder Modelle speichern zu müssen.