测试时自适应相关 AI 资讯 · AI 热点

7月29日

11:19

11:19

官方账号arXiv cs.LG@Du Yin, Xiachong Lin, Yue Tan, Jinliang Deng, Estrid He, Hao Xue, Flora D. Salim

A2TTA 提出了一种针对动态交通传感器网络的测试时自适应框架，解决拓扑扩展（新增传感器和连接）和多尺度时间偏移（长期与短期变化）两大挑战。该方法将拓扑引起的预测误差转化为可扩展的输出校准问题，并将时间适应分解为持久全局校正和敏捷上下文特化。在 10 个真实交通网络上的实验表明，A2TTA 在不同主干网络、数据集和预测时域下均能持续提升预测性能。代码已开源。

论文 A2TTA 测试时自适应交通预测

推荐理由：A2TTA 能应对道路扩建和出行变化导致的预测不准，在 10 个真实网络测试中效果明显，搞交通预测的可以看看。

7月13日

09:18

09:18

官方账号arXiv cs.LG@Xingyu Zhu, Huanshen Wu, Shuo Wang, Beier Zhu, Jiannan Ge, Jiaheng Zhang, Long Chen

预训练的视觉语言模型如CLIP在零样本泛化上表现优异，但在对抗扰动下性能显著下降。现有测试时自适应方法依赖样本级置信度启发式，无法区分对抗性误预测和语义一致性。作者发现对抗扰动虽破坏整体表征，但语义在增强视图的分布中得以保留，据此提出RITA框架。RITA使用最优传输对齐增强视觉特征分布与文本原型，并引入动态缓存积累可靠线索进行在线优化。实验表明RITA在提升对抗鲁棒性的同时，不损失干净准确率。

论文 CLIP RITA 多模态

推荐理由：这篇论文用最优传输做分布对齐来对抗扰动，不用改模型结构，挺实用的思路。

7月1日

10:38

10:38

官方账号arXiv cs.AI@Ying Wang, Oumayma Bounou, Yann LeCun, Mengye Ren

AdaJEPA 是一种自适应潜在世界模型，在模型预测控制 (MPC) 闭环内执行测试时自适应。它利用观测到的下一状态转换作为自监督适应信号，无需额外专家演示即可持续校准世界模型。在多个目标达成任务中，AdaJEPA 仅需每个 MPC 重规划步一次梯度更新即可显著提升规划成功率。

论文 AdaJEPA MPC 潜在世界模型

推荐理由：这篇论文提出 AdaJEPA，能让世界模型在测试时自动适应，一次梯度步就大幅提升规划成功率，解决分布偏移问题。

6月29日

10:10

10:10

官方账号arXiv cs.AI@Ali Zia, Usman Ali, Abdul Rehman, Umer Ramzan, Kang Han, Muhammad Faheem, Shahnawaz Qureshi, Wei Xiang

精选

现有测试时自适应方法在异常分割中依赖像素级启发式，难以保持结构一致性。TopoTTA将持续同调集成到TTA流程，通过多层次立方复形滤波生成拓扑伪标签，避免原始分数阈值化。在MVTec AD、VisA、Real-IAD、MVTec 3D-AD、AnomalyShapeNet和MVTec LOCO六个基准上，TopoTTA平均F1提升15%，对复杂几何异常增益最大。该方法无需重训练骨干网络，兼容2D和3D模态。

论文 TopoTTA MVTec AD 异常分割

推荐理由：这篇论文把拓扑数据分析用到异常分割的测试时自适应里，六个基准上F1平均涨了15%，尤其擅长处理有复杂形状的缺陷，很实用。

5月11日

11:44

11:44官方账号arXiv cs.LG（学术论文）

论文提出STEPS方法，解决时序预测在分布偏移下测试时自适应（TTA）中的弱可识别性、误差累积和不稳定长时修正问题。该方法将TTA重新定义为时间流形上的狄利克雷边界值问题，利用局部求解器传播前缀误差的时序平滑性，全局求解器获取跨窗口误差记忆，并通过时空流形融合（SMF）整合两者进行最终矫正。在六个标准基准和四个冻结骨干网络上，STEPS相比零样本骨干平均相对MSE降低26.82%，超过最强TTA基线12.77%。额外稀疏前缀和污染测试验证了该方法在有限和噪声前缀下的鲁棒性。

论文时序预测测试时自适应分布偏移

推荐理由：该工作首次将时序预测TTA严格建模为微分方程问题，提供了理论清晰的优化视角，并在稀疏噪声数据下表现显著优于现有方法，对实际部署中的低质量观测场景具有重要参考价值。

11:43

11:43官方账号arXiv cs.LG（学术论文）

PET-Adapter是一种针对PET图像重建的测试时域自适应框架，用于生成式PET重建模型。该框架仅需在体模数据上预训练，即可适配到不同解剖结构、示踪剂和扫描仪的临床数据集，无需配对真值。它通过逐层低秩解剖条件调制和基于有序子集期望最大化的热启动，将扩散步骤从50步减少到2步，显著提升计算效率。在多个临床数据集上的实验表明，该方法在全角度和有限角度设置下均实现了优越的3D重建性能，验证了其临床可行性和计算优势。

论文图像重建 PET-Adapter 测试时自适应

推荐理由：该研究通过测试时自适应解决了深度学习PET重建模型的泛化困境，显著降低了计算成本，为临床实时部署提供了可行方案。