热点事件持续更新
研究者提出测试时自适应方法Drift-TTA
1 篇报道1 个报道来源4 小时前更新
先了解这件事
AI 综述
2026年10月20日，arXiv机器学习领域发布论文，研究人员提出了测试时自适应新方法Drift-TTA。该方法旨在通过隐藏轨迹对齐校正测试时适应中的损坏漂移，具体做法是在冻结的骨干网络中添加零初始化低秩适配器，对齐损坏输入与干净输入的隐藏轨迹，在线测试过程中仅更新标量门控以调节适应强度。实验结果表明，在CIFAR-100-C严重度5的无源在线设置下，该方法使ViT-B/16和CLIP ViT-B/16的准确率分别提升13.3和11.6个百分点，达到74.9%与47.4%，同时将ECE（期望校准误差）分别降至9.53%和5.77%。
AI 根据报道生成 · 4 小时前更新
最新进展10月20日 12:00
研究者提出Drift-TTA方法，通过更新标量门控与隐藏轨迹对齐，显著改善模型在损坏数据下的测试表现。报道时间线
沿着报道，了解事件的不同侧面。
10月20日
- arXiv 机器学习Drift-TTA：通过隐藏轨迹对齐校正测试时适应中的损坏漂移
研究人员提出 Drift-TTA，通过在冻结骨干网络中添加零初始化低秩适配器来对齐损坏与干净输入的隐藏轨迹，在线测试时仅更新标量门控以控制适应强度。在 CIFAR-100-C 严重度 5 下，无源在线设置使 ViT-B/16 和 CLIP ViT-B/16 准确率分别提升 13.3 和 11.6 个百分点达到 74.9% 与 47.4%，并将 ECE 分别降至 9.53% 和 5.77%。
本事件热度走势
当前热度 9·可比范围峰值 10（10月20日 13:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。