关于异常检测的测试时间训练
原文中文，约1400字，阅读约需4分钟。
📝
内容提要
本文介绍了一种名为Test-Time Self-Training（TeST）的技术，旨在提高模型在分布变化下的适应性。研究表明，TeST在目标检测和图像分割任务中表现优异，超越了现有的域自适应算法，并提出了多种检测算法以提升异常检测性能和模型鲁棒性。
🔎
延伸解读
TeST 的核心机制
TeST 采用学生-老师结构，在测试阶段利用未标记的测试样本进行自训练，学习不变且鲁棒的表示，从而适应新的数据分布。这种方法将单个测试样本转化为自监督学习问题，更新模型参数，提升模型在分布变化下的适应性。
在视觉任务上的表现
在目标检测和图像分割任务中，TeST 达到了最新的测试时间域适应算法的最优水平，超越了现有的域自适应算法。这表明 TeST 能够有效处理测试时分布变化，为实际应用提供了新的解决方案。
相关异常检测进展
文章还列举了多项异常检测研究，如基于线性回归的测试时间训练方法、TTA-AD 算法、ALOE 对抗训练方法等。这些工作从不同角度提升了 OOD 检测的性能和鲁棒性，例如 TTA-AD 将运行时间降低了 60%~90%，ALOE 在 CIFAR-10 上 AUROC 提高了 58.4%。
❓
Q&A
Test-Time Self-Training（TeST）技术的主要目的是什么？
TeST技术旨在提高模型在分布变化下的适应性。
TeST在目标检测和图像分割任务中的表现如何？
TeST在这些任务中表现优异，超越了现有的域自适应算法。
TeST技术是如何改善模型在不同分布下的性能的？
通过将单个未标记的测试样本转化为自监督学习问题，TeST改善了模型性能。
TeST技术使用了什么样的学习结构？
TeST使用学生-老师结构来学习不变和强鲁棒性表示。
TeST技术与现有的域自适应算法相比有什么优势？
TeST在目标检测和图像分割上达到了最新的测试时间域适应算法的最优水平。
如何通过TeST技术降低假阳性率？
TeST利用在线测试样本进行模型自适应，从而降低假阳性率。
🏷️
