DA: towards distribution adaptive test-time adaptation in dynamic wild world
Notice bibliographique
Résumé
Abstract Test-time adaptation (TTA) has demonstrated effectiveness in addressing distribution shifts between training and testing data by adjusting a given model on test samples. However, when faced with testing data that exhibit dynamic patterns, wherein a single test sample batch is drawn from various distribution, the traditional TTA methods, which typically follow a fixed pattern of estimating batch normalization (BN) statistics and then performing back-propagation, tend to experience performance degradation. The key reasons we observed are as follows: (i) different scenarios require different normalization approaches (such as instance normalization (IN) is optimal in mixture domains, but not for static domains) and (ii) back-propagation could potentially degrade the model and waste time. Based on these observations, in this paper, we introduce a novel one-size-fits-all approach, named distribution adaptive test-time adaptation (DA). DA is designed to adaptively select the appropriate batch normalization method and back-propagation approach. It utilizes an IN–based projection method to differentiate between various scenarios. Our method allows the model to achieve a more robust representation, enabling it to adapt effectively to both static and dynamic data patterns. Furthermore, our method avoids unnecessary or potentially harmful backward passes, paving the way for further enhancements. The results show that our method demonstrates robustness while maintaining good performance of the model. It can effectively respond to data stream patterns, and the selective back-propagation approach is more lightweight.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».