超越熵：野生测试时适应的区域置信度代理

野生测试时适应 (WTTA) 提出用于在极端数据稀缺和多重分布移的情况下，将源模型适应到未知领域。先前方法主要关注样本选择策略，忽视了底层优化的根本问题。初始我们批判性地分析了 WTTA 中广泛采用的熵最小化框架，发现其在噪声优化动力学中存在显著局限，显著阻碍适应效率。通过我们的分析，我们识别出区域置信度是传统熵的优越替代品，但其直接优化在实际应用中仍计算昂贵。本文引入一种新型区域集成方法 ReCAP，以此为此。具体而言，我们提出一种概率区域建模方案，灵活捕获嵌入空间中的语义变化。随后，我们开发一种有限到无限的渐近近似，将难以置入的区域置信度转化为可计算且上界受限的代理。这一创新显著以简洁方案解锁了局部区域中被忽视的潜在动力学。我们的广泛实验表明，ReCAP 在各种数据集和野生场景下均优于现有方法。