Resumen: Las redes neuronales profundas demuestran un fuerte rendimiento bajo distribuciones de prueba de entrenamiento alineadas. Sin embargo, los datos de prueba del mundo real a menudo exhiben cambios de dominio. La adaptación de tiempo de prueba (TTA) aborda este desafío adaptando el modelo para probar datos durante la inferencia. Si bien la mayoría de los estudios de TTA suponen que los datos de capacitación y prueba comparten el mismo conjunto de clases (TTA de conjunto cerrado), los escenarios del mundo real a menudo involucran datos de conjunto abierto (TTA de conjunto abierto), que pueden degradar la precisión del conjunto cerrado. Un estudio reciente mostró que identificar datos de establecimiento abierto durante la adaptación y maximizar su entropía es una solución efectiva. Sin embargo, el método anterior se basa en el modelo de origen para el filtrado, lo que resulta en una precisión de filtrado subóptimo en los datos de prueba cambiados por dominio. Por el contrario, encontramos que el modelo de adaptación, que aprende el conocimiento del dominio de las flujos de prueba ruidosos, tiende a ser inestable y conduce a la acumulación de errores cuando se usa para el filtrado. Para abordar este problema, proponemos el filtrado auxiliar primario (PAF), que emplea un filtro auxiliar para validar los datos filtrados por el filtro primario. Además, proponemos la predicción integrada por el conocimiento (KIP), que calibra las salidas del modelo de adaptación, modelo EMA y modelo de origen para integrar su conocimiento complementario para OSTTA. Validamos nuestro enfoque en diversos conjuntos de datos de conjunto cerrado y de conjunto abierto. Nuestro método mejora la precisión del conjunto cerrado y la discriminación abierta sobre los métodos existentes. El código está disponible en esta URL HTTPS .
Publicado Originalme en export.arxiv.org El 26 de agosto de 2025.
Ver Fuente Original
