Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo. La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro. Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.
ETA: Adaptación del tiempo de prueba basada en la energía para completar la profundidad
Created by
Haebom
Autor
Younjoon Chung, Hyoungseob Park, Patrick Rim, Xiaoran Zhang, Jihe He, Ziyao Zeng, Safa Cicek, Byung-Woo Hong, James S. Duncan, Alex Wong
Describir
Este artículo propone la Adaptación del Tiempo de Prueba Basada en la Energía (ETA), un método novedoso para la adaptación en tiempo de prueba de modelos de compleción de profundidad preentrenados. Los modelos de compleción de profundidad existentes presentan errores al aplicarse a nuevos datos debido a cambios en las covariables causados por cambios ambientales. ETA explora el espacio de datos mediante perturbaciones adversarias y entrena un modelo de energía sin realizar suposiciones sobre la distribución de los datos objetivo. Este modelo de energía evalúa las regiones locales de las predicciones de profundidad, considerándolas dentro o fuera de la distribución, y actualiza los parámetros del modelo preentrenado para minimizar la energía en el momento de la prueba, alineando así las predicciones en tiempo de prueba con la distribución fuente. Los resultados experimentales demuestran una mejora promedio del rendimiento del 6,94 % (exterior) y del 10,23 % (interior) con respecto a los métodos de vanguardia existentes en conjuntos de datos interiores y exteriores.
Takeaways, Limitations
•
Takeaways:
◦
Se presenta un método eficaz para mejorar el rendimiento adaptativo en tiempo de prueba de modelos de finalización de profundidad previamente entrenados.
◦
Construcción de modelos robustos en entornos del mundo real aprovechando perturbaciones adversas sin suposiciones sobre la distribución de datos objetivo.
◦
Mejoras de rendimiento significativas en comparación con el mejor rendimiento de su clase anterior en conjuntos de datos interiores y exteriores.
•
Limitations:
◦
El proceso de adaptación temporal del entrenamiento y prueba de los modelos energéticos puede ser computacionalmente costoso.
◦
Se necesita una evaluación adicional del desempeño de la generalización en diversos cambios ambientales.
◦
Se necesitan más investigaciones para mejorar aún más la eficacia del método propuesto.
