測試時間適應性

登入

洞見 - 測試時間適應性

測試時間適應性 (TTA) 不僅可以提高神經網路在 Out-of-Distribution (OOD) 資料上的效能，還可以顯著增強模型在 In-Distribution (ID) 和 OOD 資料上的準確性和共識性之間的線性關係，即使在原本相關性較弱的資料分佈偏移情況下也是如此。

測試時間適應性是一種新興的機器學習範式，它結合了領域適應性和領域泛化性的優點，僅依賴於源數據訓練模型，並在測試時間推斷期間將其適應於目標數據，以解決訓練數據和測試數據分佈不同的問題。

BoostAdapter 是一種用於視覺語言模型測試時間適應性的新方法，它透過將區域 Bootstrapping 的概念整合到訓練自由適應器中，來提高其效能。

本文提出了一種名為循環測試時間適應性（recurring TTA）的新測試情境，用於診斷測試時間適應性（TTA）方法在長時間運行中出現的漸進式效能下降現象，並提出了一種名為持續性 TTA（PeTTA）的新方法來解決這個問題。

本文提出了一種名為「信心增強適應」（CEA）的新方法，透過優先考慮不確定幀並利用短期一致性規律化來穩定線上測試時間適應（TTA），以解決聲學基礎模型在真實世界聲學測試環境中性能下降的問題。

關於我們

產品

資源