SloMo-Fast：用于源自由持续测试时适应的慢动作与快速教师
密码学与安全
2025-11-25 v1 人工智能
计算与语言
摘要
持续测试时适应 (Continual Test-Time Adaptation, CTTA) 对在真实世界应用中部署模型至关重要，这些模型面临着未见且不断演化的目标域。然而，现有的 CTTA 方法往往依赖源数据或原型，限制了其在隐私敏感和资源受限环境中的适用性。此外，这些方法 suffer 从长期遗忘，这会导致随目标域迁移而降低对先前已遇到域的性能。为此，我们提出了 SloMo-Fast，一个源自由、双教师 CTTA 框架，旨在实现更好的适应性和泛化能力。它包括两个互补的教师：慢教师 (Slow-Teacher) 具有慢速遗忘，保留先前已遇到域的长期知识以确保稳健的泛化；快速教师 (Fast-Teacher) 快速适应新域，同时积累和整合跨域的知识。该框架保留对过去域的知识，并高效适应新域。我们还引入了循环测试时适应 (Cyclic Test-Time Adaptation, Cyclic-TTA)，一个模拟重复域迁移的新型 CTTA 基准。我们的广泛实验表明，SloMo-Fast 在 Cyclic-TTA 以及十个其他 CTTA 设置下均 consistently 超过最先进的方法，凸显其在演化和回访域上实现适应与泛化的能力。
引用
@article{arxiv.2511.18467,
title = {Shadows in the Code: Exploring the Risks and Defenses of LLM-based Multi-Agent Software Development Systems},
author = {Xiaoqing Wang and Keman Huang and Bin Liang and Hongyu Li and Xiaoyong Du},
journal= {arXiv preprint arXiv:2511.18467},
year = {2025}
}
备注
Accepted by AAAI 2026 Alignment Track