NEO：通过潜在再中心化实现无需优化的测试时适应
机器学习
2026-05-12 v2 计算机视觉与模式识别
摘要
测试时适应（Test-Time Adaptation, TTA）方法往往计算昂贵，需要大量数据才能实现有效适应，或对超参数敏感。基于潜在空间几何的理论基础，我们能够显著改进源数据与分布偏移样本之间的对齐，通过在原点重新中心化目标数据嵌入来实现。这一洞察激发了 NEO 的设计——一种无需超参数的完全 TTA 方法，仅需不显著的计算即可实现。NEO 能够将 ViT-Base 在 ImageNet-C 上的分类准确率从 55.6% 提升至 59.2%，仅凭一小批 64 个样本即可完成适应。当使用 512 个样本进行适应时，NEO 在 ImageNet-C、ImageNet-R 和 ImageNet-S 上均超过我们比较的 7 种 TTA 方法之中，并在 CIFAR-10-C 上击败 6/7 种方法，同时使用最少的计算资源。NEO 在模型校准指标方面表现良好，并且能够从 1 个类别适应，以提高对其他 999 个类别在 ImageNet-C 上的准确率。在树莓派和 Jetson Orin Nano 设备上，NEO 相对于基线方法可将推理时间缩短 63%，内存使用降低 9%。我们基于 3 种 ViT 架构和 4 个数据集的实验结果表明，NEO 可以高效且有效地用于 TTA。
关键词
引用
@article{arxiv.2510.05635,
title = {NEO: No-Optimization Test-Time Adaptation through Latent Re-Centering},
author = {Alexander Murphy and Michal Danilowski and Soumyajit Chatterjee and Abhirup Ghosh},
journal= {arXiv preprint arXiv:2510.05635},
year = {2026}
}
备注
ICLR 2026