长期测试时适应中何时何地进行重置至关重要
机器学习
2026-03-05 v1 人工智能
计算机视觉与模式识别
摘要
当持续的测试时适应（Test-Time Adaptation, TTA）长期运行时，模型中的误差会不断累积，导致其对所有输入仅预测少数类别，这被称为模型崩溃现象。近期研究探索了重置策略，以完全抹去这些累积误差。然而，这些周期性重置会导致适应次优，因其独立于实际崩溃风险；此外，这些完整重置会导致即使这种知识在未来也有潜在价值时，产生灾难性知识丢失。为此，我们提出：（1）一种自适应选择性重置（Adaptive and Selective Reset, ASR）方案，动态确定何时何地进行重置；（2）一种重要性感知正则化器，用于恢复因重置而丢失的关键知识；（3）一种用于在面对挑战性域迁移时的即时适应调整方案。广泛的长期 TTA 基准实验表明，我们的方法在有效性上表现突出，尤其在面对挑战性条件时。我们的代码已发布于 https://github.com/YonseiML/asr。
引用
@article{arxiv.2603.03796,
title = {When and Where to Reset Matters for Long-Term Test-Time Adaptation},
author = {Taejun Lim and Joong-Won Hwang and Kibok Lee},
journal= {arXiv preprint arXiv:2603.03796},
year = {2026}
}
备注
ICLR 2026