ترجمه فارسی مقاله سازگاری زمان آزمایش محافظت شده از طریق تطبیق آنتروپی آنلاین: یک روش شرط بندی

چکیده

We present a novel approach for test-time adaptation via online self-training, consisting of two components. First, we introduce a statistical framework that detects distribution shifts in the classifier’s entropy values obtained on a stream of unlabeled samples. Second, we devise an online adaptation mechanism that utilizes the evidence of distribution shifts captured by the detection tool to dynamically update the classifier’s parameters. The resulting adaptation process drives the distribution of test entropy values obtained from the self-trained classifier to match those of the source domain, building invariance to distribution shifts. This approach departs from the conventional self-training method, which focuses on minimizing the classifier’s entropy. Our approach combines concepts in betting martingales and online learning to form a detection tool capable of quickly reacting to distribution shifts. We then reveal a tight relation between our adaptation scheme and optimal transport, which forms the basis of our novel self-supervised loss. Experimental results demonstrate that our approach improves test-time accuracy under distribution shifts while maintaining accuracy and calibration in their absence, outperforming leading entropy minimization methods across various scenarios.

چکیده به فارسی (ترجمه ماشینی)

ما یک رویکرد جدید برای سازگاری با زمان آزمون از طریق خودآموزی آنلاین ، متشکل از دو مؤلفه ارائه می دهیم.اول ، ما یک چارچوب آماری را معرفی می کنیم که تغییر توزیع در مقادیر آنتروپی طبقه بندی کننده به دست آمده در یک جریان از نمونه های بدون برچسب را تشخیص می دهد.دوم ، ما یک مکانیسم سازگاری آنلاین را ابداع می کنیم که از شواهد تغییر توزیع ضبط شده توسط ابزار تشخیص برای به روزرسانی پویا پارامترهای طبقه بندی کننده استفاده می کند.فرآیند سازگاری حاصل ، توزیع مقادیر آنتروپی آزمون به دست آمده از طبقه بندی خود آموزش داده شده را برای مطابقت با موارد حوزه منبع هدایت می کند و باعث ایجاد تغییر در تغییر در توزیع می شود.این رویکرد از روش خودآموزی معمولی خارج می شود ، که بر به حداقل رساندن آنتروپی طبقه بندی کننده متمرکز است.رویکرد ما ترکیبی از مفاهیم در شرط بندی مارتینگال ها و یادگیری آنلاین است تا یک ابزار تشخیص ایجاد کند که قادر به واکنش سریع در شیفت های توزیع باشد.سپس ما رابطه تنگاتنگی بین طرح سازگاری خود و حمل و نقل بهینه را نشان می دهیم ، که اساس از دست دادن خودکشی جدید ما را تشکیل می دهد.نتایج تجربی نشان می دهد که رویکرد ما در ضمن حفظ دقت و کالیبراسیون در غیاب آنها ، دقت زمان آزمون را بهبود می بخشد ، از روشهای به حداقل رساندن آنتروپی پیشرو در سناریوهای مختلف بهتر عمل می کند.