AdapTable：面向表格数据的测试时间适应性，通过移位感知不确定性校正器和标签分布处理器
内容提要
本文提出了一种新的测试时间适应（TTA）方法，结合标签偏移适应器和主动样本选择准则，显著提升了模型在分布转移中的性能。研究探讨了不同TTA类型及其挑战，并提出了高效抗遗忘的EATA方法，通过实验验证了其在图像分类和语义分割中的有效性。
延伸解读
TTA 的四种类型与核心挑战
文章将测试时间适应（TTA）细分为测试时间领域适应、批适应、在线适应和先验适应四类。这种分类有助于读者理解不同场景下的适应目标：领域适应处理整体分布偏移，批适应利用批次内统计量，在线适应要求实时更新，先验适应则针对标签分布变化。文章指出，现有方法在分布转移时存在局限性，且在线批次依赖性使得超参数选择（尤其是模型选择）极为困难，这提示实际应用中需根据场景谨慎选择 TTA 类型。
EATA 如何平衡适应与遗忘
EATA 通过主动样本选择准则识别可靠且非冗余的测试样本，仅对这类样本进行熵最小化更新，从而降低优化成本。同时，它引入 Fisher 正则化约束重要模型参数，防止剧烈变化，缓解灾难性遗忘。针对熵损失可能导致的过度自信预测，EATA-C 进一步利用模型不确定性和数据不确定性进行校准，通过差异损失和最小最大熵正则化器调整预测置信度。这些设计在图像分类和语义分割任务中得到了实验验证。
TTAB 基准揭示的实证条件
文章提出的 TTAB 基准强调，TTA 的有效性高度依赖模型的质量和属性，而非仅由算法决定。实验表明，在线批次依赖性使得选择适当超参数（尤其是模型）极为困难；即使在最优算法条件下，现有方法也无法处理所有常见类型的分布转移。因此，文章呼吁在更广泛的模型和转移集上严格评估 TTA，并重新审视其成功的实证条件。这提醒研究者和实践者，不应盲目假设 TTA 总能带来提升。
Q&A
什么是测试时间适应（TTA）？
测试时间适应（TTA）是一种方法，用于在测试期间调整模型，以应对训练和测试数据之间的分布差异。
EATA方法如何解决遗忘问题？
EATA方法通过主动样本选择准则识别可靠样本，并引入Fisher正则化约束，防止模型参数剧烈变化，从而减轻遗忘问题。
本文提出的TTAB基准有什么重要性？
TTAB基准用于评估和比较测试时间适应方法的有效性，强调模型质量和属性对TTA有效性的影响。
研究中提到的四种TTA类型是什么？
研究中提到的四种TTA类型包括测试时间领域适应、批适应、在线适应和先验适应。
EATA方法在实验中表现如何？
实验验证表明，EATA方法在图像分类和语义分割任务中显著提升了模型的性能。
现有TTA方法存在哪些局限性？
现有TTA方法在处理分布转移时存在局限性，尤其是在面对不同类型的分布数据时，性能常常会显著下降。
