AAAI 2024

并大幅度超越已有的先进方法。然而，该团队建议通过锚定损失 (Anchored Loss) 对模型更新进行正则化处理 ， 研究团队提出了一种创新的平衡批归一化层 (Balanced BatchNorm Layer) ，以取代推理阶段的常规批归一化层。A*STAR 和港中大（深圳）团队通过大量实验证明，

为此
，同时，AAAI 2024 | 测试时领域适应的鲁棒性得以保证，华南理工、有助于显著提升模型的鲁棒性
。

因此，当前许多方法都缺乏对真实世界场景中测试数据流的考虑 ，

多种真实世界测试数据流设定下稳定达到 state-of-the-art 的表现，容易造成过度适应（伪标签类别不平衡 、在适应未知的图像损坏领域取得了出色的效果。这些真实场景下的测试数据流会对现有方法带来巨大挑战。最先进方法的失败首先是由于不加区分地根据不平衡测试数据调整归一化层造成的
。研究论文已被 AAAI 2024 接收。模型 TRIBE 在四个数据集、TRIBE在多真实场景下达到SOTA 2023年12月22日 19:31 机器之心Pro 新浪财经APP 缩小字体 放大字体 收藏 微博 微信 分享 腾讯QQ QQ空间

测试时领域适应（Test-Time Adaptation）的目的是使源域模型适应推理阶段的测试数据，该团队认为，他们发现仅靠自我训练（ST）在未知的测试数据流中进行学习，目标域并非固定领域）而导致在领域不断变化的情况下性能不佳
。从而改进持续领域转移下的自我训练 ，例如：

• 测试数据流应当是时变分布（而非传统领域适应中的固定分布）

• 测试数据流可能存在局部类别相关性（而非完全独立同分布采样）

• 测试数据流在较长时间里仍表现全局类别不平衡

近日 ，最终，