English(EN) Test-Time Augmentation for Tabular-to-Image Classifiers under Distribution Shifts

测试时增强提升表格到图像分类器的鲁棒性

作者 PulseAugur 编辑部 · [1 个来源] · 2026-08-05 04:00

一篇新的研究论文探讨了测试时增强（TTA）在表格到图像分类器面对分布偏移时的有效性。该研究在TableShift基准的两个数据集上评估了六种不同的表格到图像编码方法和二十五种TTA技术。结果表明，TTA通常能改善分布外（OOD）性能，其中复合和光度策略尤其有效。然而，发现频域变换会降低性能。 AI

影响增强了表格数据深度学习模型的泛化能力和鲁棒性，尤其是在数据分布变化的实际场景中。

排序理由在arXiv上发表的研究论文，详细介绍了一种提高模型鲁棒性的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

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

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Malena Loza, Felipe Grijalva, Eva Milara, Luis Bote-Curiel, Francisco J. Lara-Abelenda, David Chushig-Muzo · 2026-08-05 04:00

Test-Time Augmentation for Tabular-to-Image Classifiers under Distribution Shifts

arXiv:2608.03557v1 Announce Type: cross Abstract: Tabular-to-image methods that convert tabular data into visual representations have emerged as a novel paradigm for leveraging the high performance of deep learning models. Despite their advantages, the robustness of these methods…