黄金子空间：效率与持续测试时适应中的通用性
计算机视觉与模式识别
2026-03-24 v1 机器学习
摘要
持续测试时适应(CTTTA)旨在在无需访问源数据的情况下，使模型能够针对分布漂移的无标签数据流进行在线适应。现有CTTTA方法面临效率与通用性之间的权衡：更新更多参数可提高适应性，但严重降低在线推理效率。理想的解决方案是以最小特征更新实现相当的适应性，我们称之为黄金子空间。我们在单步适应设置中证明了其存在性，并表明其与预训练分类器的行空间一致。为实现该子空间的在线维护，我们引入了样本级平均梯度外积(AGOP)，作为高效估计分类器权重而无需重新训练的代理方法。基于这些洞见，我们提出了引导式在线低秩方向适应(GOLD)方法，该方法使用轻量级适配器将特征投影到黄金子空间上，并学习紧凑的缩放向量，同时通过AGOP动态更新子空间。大量实验在分类和分割基准测试上，包括自动驾驶场景，均显示GOLD在效率、稳定性和整体性能方面均取得优异成绩。我们的代码已公开于 https://github.com/AIGNLAI/GOLD。
引用
@article{arxiv.2603.21928,
title = {The Golden Subspace: Where Efficiency Meets Generalization in Continual Test-Time Adaptation},
author = {Guannan Lai and Da-Wei Zhou and Zhenguo Li and Han-Jia Ye},
journal= {arXiv preprint arXiv:2603.21928},
year = {2026}
}
备注
Accepted to CVPR 2026