通过扰动鲁棒性实现测试时自适应
机器学习
2021-10-22 v1 计算机视觉与模式识别
摘要
由若干真实世界过程生成的数据样本本质上是动态的，即其特性随时间变化。因此，利用文献中大量的迁移学习方法来训练并应对训练与推理之间所有可能的分布偏移是不可能的。在本文中，我们处理在推理时适应域偏移的问题，即我们不改变训练过程，而是在测试时快速调整模型以应对任何域偏移。为此，我们提出在图像流形上强制测试样本邻域内采样数据的预测一致性。在一系列测试场景（如处理损坏数据（CIFAR-10-C 和 CIFAR-100-C）以及域适应（VisDA-C））中，我们的方法与先前方法相当或显著优于它们。
引用
@article{arxiv.2110.10232,
title = {Test time Adaptation through Perturbation Robustness},
author = {Prabhu Teja Sivaprasad and François Fleuret},
journal= {arXiv preprint arXiv:2110.10232},
year = {2021}
}
备注
Under review