Cette page résume et organise les publications en intelligence artificielle du monde entier. Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif. Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.
ETA : Adaptation du temps de test basée sur l'énergie pour l'achèvement en profondeur
Created by
Haebom
Auteur
Younjoon Chung, Hyoungseob Park, Patrick Rim, Xiaoran Zhang, Jihe He, Ziyao Zeng, Safa Cicek, Byung-Woo Hong, James S. Duncan, Alex Wong
Contour
Cet article propose l'adaptation au temps de test basée sur l'énergie (ETA), une nouvelle méthode d'adaptation au temps de test de modèles de complétion de profondeur pré-entraînés. Les modèles de complétion de profondeur existants présentent des erreurs lorsqu'ils sont appliqués à de nouvelles données en raison de décalages de covariables causés par des changements environnementaux. L'ETA explore l'espace de données à l'aide de perturbations antagonistes et entraîne un modèle énergétique sans faire d'hypothèses sur la distribution des données cibles. Ce modèle énergétique évalue les régions locales de prédictions de profondeur comme étant à l'intérieur ou à l'extérieur de la distribution, et met à jour les paramètres du modèle pré-entraîné afin de minimiser l'énergie au moment du test, alignant ainsi les prédictions au moment du test sur la distribution source. Les résultats expérimentaux démontrent une amélioration moyenne des performances de 6,94 % (extérieur) et de 10,23 % (intérieur) par rapport aux méthodes de pointe existantes sur des ensembles de données intérieurs et extérieurs.
Takeaways, Limitations
•
Takeaways:
◦
Une méthode efficace pour améliorer les performances adaptatives au temps de test des modèles de complétion en profondeur pré-entraînés est présentée.
◦
Créer des modèles robustes dans des environnements réels en exploitant les perturbations adverses sans hypothèses sur la distribution des données cibles.
◦
Améliorations significatives des performances par rapport aux meilleures performances précédentes sur les ensembles de données intérieurs et extérieurs.
•
Limitations:
◦
Le processus d’adaptation du temps de formation et de test des modèles énergétiques peut être coûteux en termes de calcul.
◦
Une évaluation supplémentaire des performances de généralisation à travers divers changements environnementaux est nécessaire.
◦
Des recherches supplémentaires sont nécessaires pour améliorer encore l’efficacité de la méthode proposée.
