Channel selection for test-time adaptation under distribution shift
Contribution à un congrès / Conference object
Date de publication
Autrices et auteurs
Identifiant ORCID de l’auteur
Contributrices et contributeurs
Direction de recherche
Publié dans
NeurIPS 2023 Workshop on Distribution Shifts (DistShift)
Date de la Conférence
Lieu de la Conférence
Éditeur
Cycle d'études
Programme
Mots-clés
- Test-time adaptation
- Label distribution shift
- Covariate shift
Organisme subventionnaire
Résumé
Résumé
To ensure robustness and generalization to real-world scenarios, test-time adaptation has been recently studied as an approach to adjust models to a new data
distribution during inference. Test-time batch normalization is a simple and popular
method that achieved compelling performance on domain shift benchmarks by
recalculating batch normalization statistics on test batches. However, in many
practical applications this technique is vulnerable to label distribution shifts. We
propose to tackle this challenge by only selectively adapting channels in a deep
network, minimizing drastic adaptation that is sensitive to label shifts. We find that
adapted models significantly improve the performance compared to the baseline
models and counteract unknown label shifts.
Table des matières
Notes
Notes
Autre version linguistique
Ensemble de données lié
Licence
Approbation
Évaluation
Complété par
Référencé par
Ce document diffusé sur Papyrus est la propriété exclusive des titulaires des droits d'auteur et est protégé par la Loi sur le droit d'auteur (L.R.C. (1985), ch. C-42). Sauf si le document est diffusé sous une licence Creative Commons, il ne peut être utilisé que dans le cadre d'une utilisation équitable et non commerciale comme le prévoit la Loi (i.e. à des fins d'étude privée ou de recherche, de critique ou de compte-rendu). Pour toute autre utilisation, une autorisation écrite des titulaires des droits d'auteur sera nécessaire.