Đây là trang tổng hợp các bài báo về trí tuệ nhân tạo được xuất bản trên toàn thế giới. Trang này sử dụng Google Gemini để tóm tắt nội dung và hoạt động phi lợi nhuận. Bản quyền của các bài báo thuộc về tác giả và tổ chức liên quan; khi chia sẻ, chỉ cần ghi rõ nguồn.
ETA: Điều chỉnh thời gian thử nghiệm dựa trên năng lượng để hoàn thành độ sâu
Created by
Haebom
Tác giả
Younjoon Chung, Hyoungseob Park, Patrick Rim, Xiaoran Zhang, Jihe He, Ziyao Zeng, Safa Cicek, Byung-Woo Hong, James S. Duncan, Alex Wong
Phác thảo
Bài báo này đề xuất phương pháp Thích ứng thời gian thử nghiệm dựa trên năng lượng (ETA), một phương pháp mới để thích ứng thời gian thử nghiệm của các mô hình hoàn thiện độ sâu được đào tạo trước. Các mô hình hoàn thiện độ sâu hiện có gặp lỗi khi áp dụng cho dữ liệu mới do sự dịch chuyển của các biến phụ thuộc gây ra bởi các thay đổi môi trường. ETA khám phá không gian dữ liệu bằng cách sử dụng nhiễu loạn đối nghịch và đào tạo một mô hình năng lượng mà không đưa ra giả định về phân phối dữ liệu mục tiêu. Mô hình năng lượng này đánh giá các vùng cục bộ của dự đoán độ sâu nằm trong hay ngoài phân phối và cập nhật các tham số của mô hình được đào tạo trước để giảm thiểu năng lượng tại thời điểm thử nghiệm, do đó căn chỉnh các dự đoán thời gian thử nghiệm với phân phối nguồn. Kết quả thử nghiệm chứng minh hiệu suất cải thiện trung bình 6,94% (ngoài trời) và 10,23% (trong nhà) so với các phương pháp tiên tiến hiện có trên các tập dữ liệu trong nhà và ngoài trời.
Takeaways, Limitations
•
Takeaways:
◦
Một phương pháp hiệu quả để cải thiện hiệu suất thích ứng thời gian thử nghiệm của các mô hình hoàn thiện độ sâu được đào tạo trước được trình bày.
◦
Xây dựng các mô hình mạnh mẽ trong môi trường thực tế bằng cách tận dụng nhiễu loạn đối nghịch mà không cần giả định về phân phối dữ liệu mục tiêu.
◦
Cải thiện hiệu suất đáng kể so với hiệu suất tốt nhất trước đây trên các tập dữ liệu trong nhà và ngoài trời.
•
Limitations:
◦
Quá trình đào tạo và thử nghiệm thời gian thích ứng của các mô hình năng lượng có thể tốn kém về mặt tính toán.
◦
Cần đánh giá thêm hiệu suất tổng quát trên nhiều thay đổi môi trường khác nhau.
◦
Cần có thêm nghiên cứu để cải thiện hiệu quả của phương pháp đề xuất.
