Key points are not available for this paper at this time.
Die kontinuierliche Anpassung zur Testzeit (CTTA) beinhaltet die Anpassung eines vortrainierten Quellmodells an kontinuierlich wechselnde unbeaufsichtigte ZielDomains. In diesem Papier analysieren wir systematisch die Herausforderungen dieser Aufgabe: Online-Umgebung, unbeaufsichtigte Natur und die Risiken der Fehlerakkumulation und katastrophalen Vergessens unter kontinuierlichen Domänenänderungen. Um diese Herausforderungen zu bewältigen, gestalten wir den Online-Datenpuffer- und Organisierungsmechanismus für CTTA neu. Wir schlagen einen unsicherheitsbewussten Pufferansatz vor, um signifikante Proben mit hoher Sicherheit aus dem unbeaufsichtigten, einmaligen Datenstrom zu identifizieren und zu aggregieren. Auf dieser Grundlage schlagen wir eine graphbasierte Einschränkung zur Bewahrung der Klassenbeziehung vor, um das katastrophale Vergessen zu überwinden. Darüber hinaus wird ein Pseudo-Ziel-Wiedergabeziel verwendet, um die Fehlerakkumulation zu mindern. Umfassende Experimente zeigen die Überlegenheit unserer Methode sowohl in Segmentierungs- als auch Klassifikations-CTTA-Aufgaben. Der Code ist verfügbar unter https: //github. com/z1358/OBAOthis https URL.
Zhu et al. (Fr,) haben diese Frage untersucht.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: