ترجمه فارسی مقاله آموزش آزمایشی جهان باز: خودآموزی با یادگیری متضاد

چکیده

Traditional test-time training (TTT) methods, while addressing domain shifts, often assume a consistent class set, limiting their applicability in real-world scenarios characterized by infinite variety. Open-World Test-Time Training (OWTTT) addresses the challenge of generalizing deep learning models to unknown target domain distributions, especially in the presence of strong Out-of-Distribution (OOD) data. Existing TTT methods often struggle to maintain performance when confronted with strong OOD data. In OWTTT, the focus has predominantly been on distinguishing between overall strong and weak OOD data. However, during the early stages of TTT, initial feature extraction is hampered by interference from strong OOD and corruptions, resulting in diminished contrast and premature classification of certain classes as strong OOD. To address this, we introduce Open World Dynamic Contrastive Learning (OWDCL), an innovative approach that utilizes contrastive learning to augment positive sample pairs. This strategy not only bolsters contrast in the early stages but also significantly enhances model robustness in subsequent stages. In comparison datasets, our OWDCL model has produced the most advanced performance.

چکیده به فارسی (ترجمه ماشینی)

روشهای آموزش سنتی زمان (TTT) ، ضمن پرداختن به تغییر دامنه ، اغلب یک مجموعه کلاس ثابت را فرض می کنند و کاربرد آنها را در سناریوهای دنیای واقعی محدود می کنند که با تنوع نامحدود مشخص می شوند.آموزش زمان آزمون در دنیای باز (OWTTT) به چالش تعمیم مدلهای یادگیری عمیق به توزیع دامنه هدف ناشناخته ، به ویژه در حضور داده های قوی خارج از توزیع (OOD) می پردازد.روشهای TTT موجود اغلب در هنگام مقابله با داده های قوی OOD برای حفظ عملکرد تلاش می کنند.در OWTTT ، تمرکز بیشتر بر تمایز بین داده های کلیدی قوی و ضعیف است.با این حال ، در مراحل اولیه TTT ، استخراج ویژگی های اولیه با تداخل از OOD و فساد قوی مانع می شود و در نتیجه کنتراست کاهش یافته و طبقه بندی زودرس کلاسهای خاص به عنوان OOD قوی می شود.برای پرداختن به این موضوع ، ما یادگیری متضاد پویا جهان (OWDCL) را معرفی می کنیم ، یک رویکرد نوآورانه که از یادگیری متضاد برای تقویت جفت نمونه های مثبت استفاده می کند.این استراتژی نه تنها در مراحل اولیه تضاد را تقویت می کند بلکه به طور قابل توجهی استحکام مدل را در مراحل بعدی تقویت می کند.در مجموعه داده های مقایسه ، مدل OWDCL ما پیشرفته ترین عملکرد را تولید کرده است.