PulseAugur
中
实时 17:53:29
English(EN) SloMo-Fast: Slow-Momentum and Fast-Adaptive Teachers for Source-Free Continual Test-Time Adaptation

SloMo-Fast：新的CTTA框架在无源数据的情况下增强模型适应性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种新颖的持续测试时适应（CTTA）框架SloMo-Fast，旨在在没有原始训练数据的情况下提高模型在动态、真实世界环境中的性能。该系统采用两个互补的教师：一个慢速教师，它保留长期知识以确保跨领域变化的鲁棒泛化；一个快速教师，它能快速适应新领域并整合知识。这种双教师方法解决了灾难性遗忘和适应速率慢的问题，在各种CTTA基准测试中表现优于现有方法。 AI

影响 在没有源数据的情况下增强了模型在动态环境中的适应性，有可能改善AI系统在真实世界中的部署。

排序理由 该集群描述了一篇关于持续测试时适应新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

SloMo-Fast：新的CTTA框架在无源数据的情况下增强模型适应性

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Md Akil Raihan Iftee, Mir Sazzat Hossain, Rakibul Hasan Rajib, Tariq Iqbal, Md Mofijul Islam, M Ashraful Amin, Amin Ahsan Ali, AKM Mahbubur Rahman ·

    SloMo-Fast：用于无源持续测试时适应的慢动量和快自适应教师

    arXiv:2511.18468v2 Announce Type: replace Abstract: Continual Test-Time Adaptation (CTTA) is crucial for deploying models in real-world applications with unseen, evolving target domains. Existing CTTA methods, however, often rely on source data or prototypes, limiting their appli…

相关实体

相关话题