MAPress
مقاله TEA: سازگاری انرژی زمان آزمایش

مقاله TEA: سازگاری انرژی زمان آزمایش

تگ‌ها: Machine Learning فراگیری ماشین

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی TEA: Test-time Energy Adaptation
عنوان مقاله به فارسی مقاله TEA: سازگاری انرژی زمان آزمایش
نویسندگان Yige Yuan, Bingbing Xu, Liang Hou, Fei Sun, Huawei Shen, Xueqi Cheng
زبان مقاله انگلیسی
فرمت مقاله: PDF
تعداد صفحات 16
دسته بندی موضوعات Machine Learning,فراگیری ماشین,
توضیحات Submitted 24 November, 2023; originally announced November 2023. , Comments: 16 pages, 10 figures, 7 tables
توضیحات به فارسی ارسال شده 24 نوامبر 2023 ؛در ابتدا نوامبر 2023 اعلام شد ، نظرات: 16 صفحه ، 10 شکل ، 7 جدول

چکیده

Test-time adaptation (TTA) aims to improve model generalizability when test data diverges from training distribution, offering the distinct advantage of not requiring access to training data and processes, especially valuable in the context of large pre-trained models. However, current TTA methods fail to address the fundamental issue: covariate shift, i.e., the decreased generalizability can be attributed to the model's reliance on the marginal distribution of the training data, which may impair model calibration and introduce confirmation bias. To address this, we propose a novel energy-based perspective, enhancing the model's perception of target data distributions without requiring access to training data or processes. Building on this perspective, we introduce $\textbf{T}$est-time $\textbf{E}$nergy $\textbf{A}$daptation ($\textbf{TEA}$), which transforms the trained classifier into an energy-based model and aligns the model's distribution with the test data's, enhancing its ability to perceive test distributions and thus improving overall generalizability. Extensive experiments across multiple tasks, benchmarks and architectures demonstrate TEA's superior generalization performance against state-of-the-art methods. Further in-depth analyses reveal that TEA can equip the model with a comprehensive perception of test distribution, ultimately paving the way toward improved generalization and calibration.

چکیده به فارسی (ترجمه ماشینی)

تطبیق زمان تست (TTA) با هدف بهبود تعمیم مدل در هنگام واگرایی داده های آزمون از توزیع آموزش ، مزیت مشخصی از عدم نیاز به دسترسی به داده ها و فرآیندهای آموزش ، به ویژه در زمینه مدل های بزرگ از پیش آموزش ارائه می دهد.با این حال ، روشهای فعلی TTA در رسیدگی به مسئله اساسی ناکام هستند: تغییر متغیر متغیر ، یعنی کاهش تعمیم پذیری را می توان به اعتماد به نفس مدل به توزیع حاشیه داده های آموزشی نسبت داد ، که ممکن است کالیبراسیون مدل را مختل کند و تعصب تأیید را معرفی کند.برای پرداختن به این موضوع ، ما یک دیدگاه جدید مبتنی بر انرژی را پیشنهاد می کنیم ، و درک مدل از توزیع داده های هدف را بدون نیاز به دسترسی به داده های آموزش یا فرآیندها ، تقویت می کنیم.با تکیه بر این دیدگاه ، ما $ textbf {t} $ est-time $ textbf {e} $ nergy $ textBf {a} $ daptation ($ textbf {چای} $) را معرفی می کنیم ، که طبقه بندی کننده آموزش دیده را به یک طبقه بندی کننده تبدیل می کندمدل مبتنی بر انرژی و توزیع مدل با داده های آزمون را تراز می کند و توانایی آن در درک توزیع های آزمون و در نتیجه بهبود کلی پذیری کلی را افزایش می دهد.آزمایش های گسترده در بین چندین کار ، معیارها و معماری ها عملکرد کلی عمومی چای را در برابر روشهای پیشرفته نشان می دهد.تجزیه و تحلیل های عمیق بیشتر نشان می دهد که چای می تواند مدل را با درک جامع از توزیع آزمون تجهیز کند ، در نهایت راه را به سمت بهبود تعمیم و کالیبراسیون هموار می کند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.