Effektive Reduzierung von Bias im Modell für kontinuierliche Anpassung zur Testzeit
Reduzierung von Bias zur Verbesserung der Leistung in der CTA-Situation.
Kontinuierliche Anpassung an sich ändernde Testumgebungen durch adaptive verteilungsbasierte maskierte Autoencoder
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.
Ein einfacher Ansatz, der unseren Fortschritt bei der kontinuierlichen Testzeit-Anpassung infrage stellt
Bisherige Methoden zur kontinuierlichen Testzeit-Anpassung von Bildklassifizierungsmodellen sind nicht effektiv und brechen letztendlich zusammen, während ein einfacher Rücksetzmechanismus bessere Ergebnisse erzielt.
© 2024 by Linnk AI