Uploads from ‍김성범[ 교수 / 산업경영공학부 ]

Currently Playing: [Open DMQA Seminar] Test Time Adaptation

최근 인공지능 모델의 일반화 성능을 향상시키기 위해 test-time adaptation (TTA) 방법론이 주목받고 있다. TTA는 학습 시점과 테스트 시점 사이의 도메인 불일치(domain shift)를 효과적으로 완화하기 위해, 모델이 테스트 데이터를 이용하여 동적으로 적응하도록 설계된 기법이다. 특히, 추가적인 학습 없이도 모델이 테스트 데이터의 특성에 따라 성능을 개선할 수 있는 점에서 실용적인 가능성을 보여주고 있다. 이번 세미나에서는 TTA의 주요 개념과 함께, TTA를 적용하는 세 가지 방식(batch normalization, self-supervision, self-training) 각각의 연구 사례를 소개하고자 한다. 다양한 TTA 접근법에서 테스트 데이터의 특성을 반영해 모델이 적응하는 과정을 구체적으로 탐구한다. 참고자료: [1] Liang, J., He, R., & Tan, T. (2024). A comprehensive survey on test-time adaptation under distribution shifts. International Journal of Computer Vision, 1-34. [2] Ma, J. (2024). Improved Self-Training for Test-Time Adaptation. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 23701-23710). [3] Ma, X., Zhang, J., Guo, S., & Xu, W. (2024). Swapprompt: Test-time prompt adaptation for vision-language models. Advances in Neural Information Processing Systems, 36. [4] Wu, Y., Chi, Z., Wang, Y., Plataniotis, K. N., & Feng, S. (2024, March). Test-time domain adaptation by learning domain-aware batch normalization. In Proceedings of the AAAI Conference on Artificial Intelligence (Vol. 38, No. 14, pp. 15961-15969).