实体
Test-Time Prompt Tuning
Test-Time Prompt Tuning
PulseAugur coverage of Test-Time Prompt Tuning — every cluster mentioning Test-Time Prompt Tuning across labs, papers, and developer communities, ranked by signal.
总计 · 30天
3
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
3
90 天内 3
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 3 条
-
新方法CoTS在不牺牲准确性的情况下提高了AI模型的校准度
研究人员开发了CoTS，一种用于测试时提示调优（TPT）的新型事后校准方法，旨在提高准确性而不牺牲校准度。CoTS应用温度缩放来减小适应性预测和零样本预测之间的置信度差距。增强版E-CoTS采用弱-强集成策略，在保持校准度的同时进一步提高准确性，这在ImageNet变体上预期的校准误差显著降低中得到了证明。
-
新的TPT方法提高了AI模型的校准和准确性
研究人员发现，依赖于熵最小化的测试时提示调优（TPT）方法存在局限性，并指出这些方法可能导致过度自信的预测和模型校准下降。为解决此问题，提出了一种新目标，该目标使用交叉熵将原始视图预测与从增强视图派生的目标分布对齐。该方法还结合了目标分布的熵以捕捉样本特定的不确定性，并对增强视图预测采用置信度感知温度缩放。实验表明，该方法达到了最先进的准确性，并显著提高了模型校准。
-
新框架统一了用于测试时提示调优的自集成方法
研究人员推出了一种名为USE的统一自集成框架，旨在增强像CLIP这样的视觉语言模型在测试时的适应性。该框架将测试时提示调优解释为从自生成的伪标签中学习，确保优化和推理阶段之间的一致性。通过自适应地强调测试图像而非其增强视图，USE可以获得更可靠的伪标签，并在各种数据集上展现出优于现有方法的性能。此外，一种简化的自集成策略SE，可以作为一种轻量级的、无需优化的测试时适应技术。