هوش مصنوعی
روش UAPA برای سازگاری مدل‌ها با داده‌های ناآشنا در زمان آزمون معرفی شد
پیش‌چاپی در arXiv روشی برای سازگاری مدل‌های آموزش‌دیده با داده‌های بدون برچسب پیشنهاد می‌کند که می‌کوشد نمونه‌های خارج از توزیع را از داده‌های متعلق به کلاس‌های شناخته‌شده جدا کند.
سازگاری در زمان آزمون (TTA) به مدل اجازه می‌دهد خود را با جریان داده‌های آزمونِ بدون برچسب تطبیق دهد. اما در محیط‌های باز، این داده‌ها ممکن است هم نمونه‌هایی از کلاس‌های شناخته‌شده با توزیعی جابه‌جا‌شده (csID) و هم نمونه‌هایی خارج از توزیع (csOOD) داشته باشند. به‌گفتهٔ نویسندگان پیش‌چاپ، بسیاری از روش‌های موجود با فرض بسته‌بودن مجموعهٔ کلاس‌ها طراحی شده‌اند و سازوکار مشخصی برای تشخیص مطمئن این دو گروه ندارند؛ در نتیجه، داده‌های csOOD ممکن است وارد فرایند سازگاری شوند و با ایجاد گرادیان‌های مخرب، عملکرد مدل روی کلاس‌های شناخته‌شده را کاهش دهند.
پژوهشگران روشی به نام Uncertainty-Aware Prototype Learning for Open-Set Test-Time Adaptation (UAPA) معرفی کرده‌اند و آن را روشی plug-and-play برای سازگاری در محیط باز توصیف می‌کنند. چکیدهٔ در دسترس می‌گوید این روش با هدف سازگاری مطمئن‌تر طراحی شده است، اما متن منبع پیش از شرح سازوکارهای آن ناتمام می‌ماند؛ بنابراین جزئیات روش و نتایج ارزیابی در اطلاعات ارائه‌شده مشخص نیست.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده