测试时自适应的双重策略
计算机视觉与模式识别
2026-04-21 v1
摘要
传统的测试时自适应(TTA)方法通常仅使用一小部分测试样本(通常是那些具有低熵预测的样本)来调整模型，从而未能充分利用测试分布中的可用信息。本文介绍了DualTTA，一种新颖的框架，通过利用更大、更多样化的测试样本来提高在分布偏移下的性能。DualTTA识别出两个不同的组：一组是模型预测可能与底层语义一致的样本，另一组是预测可能错误的样本。对于第一组，它最小化预测熵以强化可靠决策；对于第二组，它最大化熵以抑制过度自信的错误并消除虚假行为。这些组使用一种新的可靠性标准自适应地选择，该标准在语义保持和语义改变变换下测量预测稳定性，解决了纯粹基于熵的选择的局限性。我们进一步提供了理论分析和实证依据，表明我们的方法能够在可靠和不可靠样本之间实现更严格的分离，在它们对自适应的适用性方面，从而带来可证明更有效的模型更新。
引用
@article{arxiv.2604.17542,
title = {Dual Strategies for Test-Time Adaptation},
author = {Nam Nguyen Phuong and Duc Nguyen The Minh and Phi Le Nguyen and Ehsan Abbasnejad and Minh Hoai},
journal= {arXiv preprint arXiv:2604.17542},
year = {2026}
}
备注
Findings of Computer Vision and Pattern Recognition 2026