测试时适应综述：从方法到应用

摘要

在独立同分布的强假设下，深度学习模型在处理与训练数据分布相似的测试数据时表现出色，然而在现实世界的应用中，模型常常会遇到与训练数据分布不同的测试数据，即存在分布偏移问题，这会导致模型性能显著降低.近年来，测试时适应(test-time adaptation, TTA)作为一种解决分布偏移和提升域泛化能力的有效技术受到了广泛关注.TTA是一种在测试阶段利用无标签的测试数据对模型或特征分布进行自适应调整的技术，目的是提升模型在测试域上的性能.综述从TTA的基本概念出发，梳理主流的TTA方法，探讨TTA在各个细分领域的现有应用，讨论当前TTA研究所面临的挑战，并对未来的发展方向进行展望.

关键词

迁移学习 / 领域自适应 / 测试时适应 / 无源域适应