ترجمه فارسی مقاله DATTA: به سوی سازگاری آزمون-زمان تطبیقی ​​تنوع در دنیای وحشی پویا

چکیده

Test-time adaptation (TTA) effectively addresses distribution shifts between training and testing data by adjusting models on test samples, which is crucial for improving model inference in real-world applications. However, traditional TTA methods typically follow a fixed pattern to address the dynamic data patterns (low-diversity or high-diversity patterns) often leading to performance degradation and consequently a decline in Quality of Experience (QoE). The primary issues we observed are:Different scenarios require different normalization methods (e.g., Instance Normalization is optimal in mixed domains but not in static domains). Model fine-tuning can potentially harm the model and waste time.Hence, it is crucial to design strategies for effectively measuring and managing distribution diversity to minimize its negative impact on model performance. Based on these observations, this paper proposes a new general method, named Diversity Adaptive Test-Time Adaptation (DATTA), aimed at improving QoE. DATTA dynamically selects the best batch normalization methods and fine-tuning strategies by leveraging the Diversity Score to differentiate between high and low diversity score batches. It features three key components: Diversity Discrimination (DD) to assess batch diversity, Diversity Adaptive Batch Normalization (DABN) to tailor normalization methods based on DD insights, and Diversity Adaptive Fine-Tuning (DAFT) to selectively fine-tune the model. Experimental results show that our method achieves up to a 21% increase in accuracy compared to state-of-the-art methodologies, indicating that our method maintains good model performance while demonstrating its robustness. Our code will be released soon.

چکیده به فارسی (ترجمه ماشینی)

سازگاری زمان آزمون (TTA) به طور موثری با تنظیم مدل ها بر روی نمونه های آزمون ، تغییر توزیع بین داده های آموزش و آزمایش را مورد بررسی قرار می دهد ، که برای بهبود استنتاج مدل در برنامه های دنیای واقعی بسیار مهم است.با این حال ، روش های سنتی TTA به طور معمول از یک الگوی ثابت برای پرداختن به الگوهای داده پویا (با تنوع پایین یا الگوهای با تنوع بالا) پیروی می کنند که اغلب منجر به تخریب عملکرد و در نتیجه کاهش کیفیت تجربه (QOE) می شوند.موضوعات اصلی که ما مشاهده کردیم عبارتند از: سناریوهای مختلف به روشهای مختلف عادی سازی نیاز دارند (به عنوان مثال ، عادی سازی در حوزه های مختلط بهینه است اما در حوزه های استاتیک نیست).تنظیم دقیق مدل به طور بالقوه می تواند به مدل و زمان زباله آسیب برساند. از این رو ، طراحی استراتژی ها برای اندازه گیری موثر و مدیریت تنوع توزیع برای به حداقل رساندن تأثیر منفی آن بر عملکرد مدل بسیار مهم است.بر اساس این مشاهدات ، این مقاله یک روش کلی جدید ، با نام سازگاری زمان تست تطبیقی ​​تنوع (DATTA) را با هدف بهبود QOE ارائه می دهد.Datta به صورت پویا بهترین روشهای عادی سازی دسته ای و استراتژی های تنظیم دقیق را با استفاده از نمره تنوع برای تمایز بین دسته های نمره تنوع بالا و پایین انتخاب می کند.این برنامه دارای سه مؤلفه اصلی است: تبعیض تنوع (DD) برای ارزیابی تنوع دسته ای ، عادی سازی دسته ای تطبیقی ​​تنوع (DABN) به روشهای عادی سازی بر اساس بینش DD ، و تنظیم دقیق تطبیقی ​​(DAFT) برای تنظیم دقیق مدل.نتایج تجربی نشان می دهد که روش ما در مقایسه با روشهای پیشرفته ، تا 21 ٪ افزایش دقت را به دست می آورد ، نشان می دهد که روش ما ضمن نشان دادن استحکام آن ، عملکرد مدل خوبی را حفظ می کند.کد ما به زودی منتشر می شود.