BriefGPT - AI 论文速递
·
SoTTA：嘈杂数据流上的鲁棒测试时适应
💡
原文中文，约2300字，阅读约需6分钟。
📝
内容提要
该文介绍了一种新的测试时适应性算法（SoTTA），通过高置信度统一类别采样实现输入层面的健壮性和通过熵-锐度最小化提高模型参数对噪声样本大梯度的健壮性，从而对噪声样本具有鲁棒性。
🎯
关键要点
- 提出了一种新的测试时适应性算法（SoTTA），具有鲁棒性。
- 通过高置信度统一类别采样实现输入层面的健壮性。
- 通过熵-锐度最小化提高模型参数对噪声样本大梯度的鲁棒性。
- 在各种噪声场景下，SoTTA优于基准测试时适应性方法。
- 在没有噪声样本的情况下，SoTTA达到可比较的准确度。
➡️
