表格数据的完全测试时适应
机器学习
2024-12-17 v1 人工智能
机器学习
摘要
表格数据在 various 实际场景中发挥着重要作用, 具有广泛应用。尽管近期的深度表格模型显示出显著的成功, 但它们仍然难以处理数据分布迁移, 导致测试分布变化时性能下降。为此, 一个鲁棒的表格模型必须适应以推广到测试时的未知分布。本文研究了表格数据的完全测试时适应问题, 即仅使用测试数据进行模型适应。我们识别出三个关键挑战: 概念和协变量分布迁移的存在、缺乏有效的数据增强以及适应的敏感性, 这使得现有的 FTTA 方法对表格数据无效。为此, 我们提出了表格数据的完全测试时适应, 即 FTAT, 使 FTTA 方法能够稳健地优化预测标签分布、适应迁移的协变量分布并有效地适用于各种任务和模型。我们在六个基准数据集上进行了全面的实验, 使用三个指标进行评估。实验结果表明, FTAT 在性能上优于最先进的方法。
引用
@article{arxiv.2412.10871,
title = {Fully Test-time Adaptation for Tabular Data},
author = {Zhi Zhou and Kun-Yang Yu and Lan-Zhe Guo and Yu-Feng Li},
journal= {arXiv preprint arXiv:2412.10871},
year = {2024}
}
备注
Accepted by AAAI 2025. Code is available at: https://wnjxyk.github.io/FTTA