基于特征的实例邻居发现：动态世界中的高级稳定测试时适应
机器学习
2025-06-10 v1 人工智能
计算机视觉与模式识别
摘要
尽管取得了进展，深度神经网络在训练域与测试域之间的分布迁移下仍会出现性能下降，导致应用程序的质量体验（QoE）显著下降。现有的测试时适应（TTA）方法在面对批次内动态的多个测试分布时受到限制。我们观察到，不同域之间特征分布本质上会聚类为具有不同均值和方差的 distinct 组，这种分布性差异揭示了前一种全局归一化策略在 TTA 中固有的局限性，即不可避免地扭曲原始数据特征。基于此洞察，我们提出特征基的实例邻居发现（FIND），其包括三个关键组件：图层级特征解缔（LFD）、特征感知批归一化（FABN）以及选择性 FABN（S-FABN）。LFD 通过构建图结构在每一层稳定捕获分布相似的特征。而 FABN 最优地结合源统计信息与测试时特定的分布统计信息，以实现稳健的特征表示。最后，S-FABN 确定哪些层需要特征分区以及哪些层可以保持统一，从而提升推理效率。大量实验表明，FIND 在动态场景下显著优于现有方法，在准确率上实现了约 30% 的提升，同时保持计算效率。
引用
@article{arxiv.2506.06782,
title = {Feature-Based Instance Neighbor Discovery: Advanced Stable Test-Time Adaptation in Dynamic World},
author = {Qinting Jiang and Chuyang Ye and Dongyan Wei and Bingli Wang and Yuan Xue and Jingyan Jiang and Zhi Wang},
journal= {arXiv preprint arXiv:2506.06782},
year = {2025}
}