标签
本文介绍了MASA方法，该方法使用冻结的多模态大型语言模型，通过提供结构化语义描述来打破野外测试时适应中的自指循环，实现更可靠的适应。
本文提出TASCO，一个用于LLMs测试时自适应的框架，它将局部稳定性融入基于置信度的优化中，以提高推理准确性和令牌效率，同时无需更新模型参数。
CASTER引入了一种无梯度的测试时适应方法，适用于冻结模型。它使用仿射统计迁移和一个证书来决定何时应用适应，从而在不更新模型的情况下提升性能。
Safin-1 提出了一种记忆路由架构，将安全作为基础模型中的内部演进状态嵌入，无需外部约束即可实现自适应安全改进。
PETA提出了一种参数高效的框架，用于虚拟筛选中的测试时自适应，仅在推理时更新LayerNorm参数以提高性能。
本文提出了一种名为ReNC的开放世界测试时适应方法，该方法利用神经坍缩作为结构先验来过滤分布外样本并优化原型，以实现可靠的模型适应。
PRISM是一种无需训练的测试时适应方法，利用冻结的文本原型逆转音频文本模型中的低秩仿射噪声失真，在严重声学噪声下显示显著改进。
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。