PulseAugur
中
实时 12:57:47

新的TTA内存策略通过多样性提升模型适应性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新的机器学习模型测试时适应（TTA）方法，重点关注内存策略如何影响对分布变化的适应。他们的工作引入了引导式观察测试时适应（GOTTA），该方法在类平衡的同时，优先考虑内存选择中的类内多样性。这种注重多样性的内存管理在内存有限和具有挑战性的非独立同分布（non-i.i.d.）数据流下被证明最有效，增强了适应的鲁棒性。 AI

影响 增强模型对分布变化的鲁棒性，尤其是在内存受限的情况下。

排序理由 介绍一种新颖的测试时适应方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

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

新的TTA内存策略通过多样性提升模型适应性

报道来源 [1]

  1. arXiv cs.CV TIER_1 English(EN) · Bernard Ghanem ·

    GoTTA 必须多元化：重新思考测试时适应的记忆策略

    Test-time adaptation (TTA) enables a pre-trained model to adapt online to an unlabeled test stream under distribution shift. While most TTA research focuses on the adaptation objective, practical streams also depend critically on the memory used to select which test samples drive…

相关话题