通过在线熵匹配保护测试时适应：一种投注方法
原文中文，约1600字，阅读约需4分钟。
📝
内容提要
本文研究了完全测试时间自适应（TTA）在机器学习中的应用与优化，提出多种新方法以提高模型在领域变化下的鲁棒性和准确性。通过改进熵最小化、使用伪标签和自训练等技术，解决了测试时间调整的不稳定性问题，并在多个数据集上取得了显著进展。
❓
Q&A
什么是完全测试时间自适应（TTA）？
完全测试时间自适应（TTA）是一种利用测试时间遇到的未标记数据来调整模型，以适应带有领域变化的测试数据流的技术。
如何提高模型在领域变化下的鲁棒性？
通过优化测试熵、使用伪标签、自训练以及基于群组和层规范化的调整方法，可以提高模型在领域变化下的鲁棒性。
TAST方法的主要优势是什么？
TAST方法利用最近邻信息生成伪标签并进行自训练，能够在领域一般化和图像破坏等方面取得优于现有方法的性能。
SAR方法是如何稳定TTA的？
SAR方法通过消除嘈杂测试样本和鼓励模型权重保持平稳的最小值，从两个方面进一步稳定TTA，提高计算效率。
如何解决在线测试时的自适应问题？
通过使用确定性和多样性加权、源模型和自适应模型的加权平均等技术，ROID方法解决了在线测试时的自适应问题。
什么是熵基于TTA方法（EBTTA）？
熵基于TTA方法（EBTTA）是一种从聚类视角出发的测试时间自适应方法，旨在应对初始分配、异常值和批次大小的敏感性。
🏷️
