标签
CoAdapt-GUI is a test-time adaptation framework for mobile GUI agents that jointly adapts workflow context and policy, improving performance on unseen-app benchmarks like AndroidWorld-Generalization and AndroidWorld Plus.
提出了Self-Geometry，一种即插即用的测试时自适应流程，利用2D像素对应关系施加显式的多视图几何约束，以改进几何一致的3D视觉基础模型。
本文介绍了一种用于表面EMG手势解码的与电极布局无关的编码器，它无需重新校准即可在多次记录会话中保持识别准确率，并表明在测试时进行特征统计对齐可改善在NinaPro DB6上的自适应效果。
本文提出了自适应分布外检测中自我毒化的理论框架，证明了崩溃的尖锐阈值以及一种切断反馈回路的有保证的无标签校准方法。同时，提供了关于在无标签情况下区分漂移与污染的不可能性结果。
OPERA提出了一种多智能体集成框架，将专家权重分配视为用于通用生物医学图像分析的离线策略学习问题，实现了无需重新训练的测试时自适应，并在9个数据集和30多个基线上持续提升性能。
Black-Mamba提出了一种测试时自适应预测架构，利用累积惊异度仅在检测到分布漂移证据时选择性更新记忆，从而在非平稳时间序列上实现高效自适应。
AdaJEPA引入了一种自适应的潜在世界模型，该模型在测试期间通过闭环模型预测控制持续更新，显著提高了分布偏移下的规划成功率。
介绍了奖励门控测试时自适应（RG-TTA），这是一个强化学习框架，根据输入的偏差敏感性选择性地对CLIP模型应用去偏，解决了公平性与效用之间的权衡问题。
提出BP-TTA，一种通过结合批次平衡采样与原型指导约束来处理类别不平衡和持续域偏移的测试时自适应方法，在动态流式场景中实现了最先进的性能。
ComMem 提出了受生物记忆启发的互补记忆系统，以改进视觉语言模型的测试时自适应，在15个基准测试上超越了现有最先进方法。
本文提出了一种基于半监督学习的测试时自适应方法，用于AI文本检测，能够适应来自新LLM、对抗性人工化和时间漂移的持续分布变化，性能优于最先进的监督式检测器。
QGF 是一种强化学习算法，通过使用价值梯度来指导预训练的流策略，在测试时改进策略，避免了训练时的不稳定性，同时保持了竞争力的性能。
提出Demo2Reward，一种针对VLM奖励模型的测试时提示优化技术，利用少量专家演示，显著减少误报，并在无需额外模型训练的情况下改进机器人策略学习。
本文开发了一种用于测试时自适应的PAC-贝叶斯框架，该框架使用MMD球作为信度集，提供了形式化的泛化界，并在分布偏移下区分认知不确定性与偶然不确定性。
提出了面向奖励引导扩散的分层变分策略框架，在降低推理成本的同时实现高质量采样。在超分辨率等任务上展现了优异的质量-速度权衡。
SOLAR提出了一种自我优化的自主代理，利用参数级元学习和多层次强化学习，使LLMs能够对非平稳数据流进行终身适应，在推理任务上超越基线。
提出联邦嵌套学习（FedNL）框架，将联邦学习重构成三级嵌套优化系统，实现自指记忆的协同训练以支持测试时自适应，从而处理非独立同分布数据和长尾分布。
本文提出RMemSafe，一种用于持续测试时自适应的可靠性门控扩展方法，当冻结源的预测熵变高时会减弱源锚定，从而防止源崩溃下的盲目锚定。该方法在CCC基准测试上实现了最先进的错误率降低。
本文介绍了 TacoMAS，这是一个用于大语言模型驱动的多智能体系统中智能体能力与通信拓扑测试时共演化的框架。研究表明，与现有基线相比，联合调整快速能力环和慢速拓扑环能够提升性能并增强稳定性。
FAAST提出了一种前馈方法，通过解析方式将标注样本编译为快速权重，无需反向传播即可实现高效的测试时监督适应，在保持性能的同时提升90%以上的速度和节省95%的内存。