面对异构数据流的去混合测试时适应
机器学习
2025-12-01 v4 人工智能
摘要
在实际场景中部署深度模型仍然具有挑战性，因为训练环境与部署环境之间的分布迁移会导致显著的性能下降。测试时适应（Test-Time Adaptation, TTA）最近作为一种有前景的解决方案，使模型能够即时适应。然而，在存在混合分布迁移的情况下，其有效性会恶化，这种情况在实际应用中很常见，即多个目标域共存。本文研究面对混合分布迁移的 TTA，超越传统的整个批次适应范式。通过从谱方法重新审视分布迁移，我们发现潜在域之间的异构性在傅里叶空间中往往较为显著。特别是，高频分量编码了域特定的变异，这有助于更清晰地分离来自不同分布的样本。基于这一观察，我们提出使用高频域线索对异构数据流进行去混合，使多样化的迁移模式更加可处理。为此，我们提出了基于频率的去中心化适应框架（Frequency-based Decentralized Adaptation, FreDA），这是一种新型框架，能够将全局异构的数据流在傅里叶空间分解为局部均匀的簇。它利用去中心化学习和数据增强策略，在混合域迁移下实现稳健适应。跨各种环境（损坏的、自然的和医疗的）的大量实验表明，我们的方法在最新技术之上具有优势。
引用
@article{arxiv.2411.15173,
title = {Un-mixing Test-time Adaptation under Heterogeneous Data Streams},
author = {Zixian Su and Jingwei Guo and Xi Yang and Qiufeng Wang and Kaizhu Huang},
journal= {arXiv preprint arXiv:2411.15173},
year = {2025}
}