Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
동적 시나리오에서 발생하는 클래스 불균형과 지속적인 도메인 변화 문제를 동시에 해결하기 위한 새로운 TTA 방법론인 BP-TTA를 제안합니다. 배치 균형 샘플링과 프로토타입 가이드 적응을 결합하여 온라인 업데이트의 안정성과 의사 라벨의 신뢰성을 높였습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기테스트 시간 적응 (Test-Time Adaptation, TTA)은 소스 도메인 (source domain)에서 학습된 모델이 분포 변화 (distribution shifts)가 발생하는 상황에서 라벨이 없는 테스트 데이터에 온라인으로 적응할 수 있게 합니다. 최근의 TTA 방법론들은 정적인 설정을 넘어 지속적인 도메인 변화 (continual domain shifts)를 고려하기 시작했지만, 주로 분포 드리프트 (distribution drift) 문제를 다룰 뿐 동적 시나리오에서의 클래스 불균형 (class imbalance) 문제는 해결하지 못하고 있습니다. 실제 환경의 테스트 시간 스트림 (test-time streams)에서는 클래스 불균형과 지속적인 도메인 변화가 동시에 발생하며 서로 상호작용하는 경우가 많습니다. 본 논문에서는 클래스 불균형과 지속적인 도메인 변화 문제를 해결하기 위해 배치 균형 샘플링 (batch-balanced sampling)과 프로토타입 가이드 적응 (prototype-guided adaptation)을 결합한 새로운 방식인 BP-TTA (Balanced and Prototype-Guided Test-Time Adaptation) 방법을 제안합니다. BP-TTA는 현재의 샘플을 신뢰도가 높은 과거 인스턴스 (historical instances)와 통합하여 균형 잡힌 적응 배치 (adaptation batches)를 구성함으로써, 지배적인 클래스 (dominant classes)에 대한 편향을 효과적으로 완화하고 온라인 업데이트를 안정화합니다. 동시에, BP-TTA는 추론 과정 동안 진화하는 클래스 프로토타입 (class prototypes)을 유지하며, 프로토타입 유사도 (prototype similarity)를 모델 적응을 위한 제약 조건으로 활용하여 의사 라벨 (pseudo-labels)의 신뢰성을 높이고 지속적인 도메인 변화 하에서도 온라인 업데이트의 안정성을 향상시킵니다. 광범위한 실험을 통해 BP-TTA가 동적인 테스트 시간 스트리밍 설정에서 최신 TTA 방법론들을 일관되게 능가함을 입증하였습니다.