مدلهای هوش مصنوعی وقتی در دنیای واقعی مستقر میشوند، با تغییرات توزیع دادهها روبهرو شده و عملکردشان افت میکند. مقاله جدیدی که بهتازگی منتشر شده، به صورت جامع به مفهوم «تطبیق مداوم در زمان تست» (CTTA) پرداخته است.
این پژوهش، روشهای مختلف برای بهروزرسانی مدلهای از پیش آموزشدیده را بدون نیاز به دادههای اصلی طبقهبندی کرده تا از دو مشکل بزرگ جلوگیری کند:
۱. فراموشی فاجعهبار دانش قبلی (Catastrophic Forgetting)
۲. انباشت خطا از طریق برچسبهای کاذب (Pseudo-labels)
این بررسی تخصصی میتواند نقشه راه بسیار خوبی برای محققان حوزه بینایی ماشین باشد که به دنبال ساخت مدلهای مقاومتر در دنیای واقعی هستند. 🧠✨
منبع: arXiv Computer Vision