开放世界测试时训练：基于对比学习的自训练方法
机器学习
2024-09-17 v1 人工智能
摘要
传统测试时训练（TTT）方法虽然解决了域迁移问题，但往往假设类别集合是一致的，限制了其在以无限多样性为特征的真实场景中的适用性。开放世界测试时训练（OWTTT）旨在解决深度学习模型对未知目标域分布的泛化问题，尤其是在强Out-of-Distribution（OOD）数据存在时。现有TTT方法在面对强OOD数据时往往难以保持性能。在OWTTT中，关注点主要集中在区分整体强弱OOD数据上。然而，在TTT的早期阶段，初始特征提取常受到强OOD数据和噪声干扰，导致对比度下降，部分类别被错误地判定为强OOD。为此，我们提出一种新颖的方法——开放世界动态对比学习（OWDCL），通过对比学习来增强正样本对，既能提升早期阶段的对比度，也能显著增强后续阶段的模型鲁棒性。在比较数据集中，我们的OWDCL模型取得了最先进的性能。
引用
@article{arxiv.2409.09591,
title = {Open-World Test-Time Training: Self-Training with Contrast Learning},
author = {Houcheng Su and Mengzhu Wang and Jiao Li and Bingli Wang and Daixian Liu and Zeheng Wang},
journal= {arXiv preprint arXiv:2409.09591},
year = {2024}
}
备注
10page