기존 예측을 그대로 쓰는 문제
영역이 달라진 시험 자료에서 분류기의 예측을 곧바로 의사 레이블로 쓰면 오류가 적응에 전달될 수 있다. TAST는 예시와 임베딩 공간의 가까운 이웃이 같은 레이블을 가질 가능성에 주목했다.
특징 추출기 위의 적응 모듈
학습된 특징 추출기 위에 학습 가능한 적응 모듈들을 추가한다. 여러 모듈을 무작위로 초기화해 이웃 정보를 서로 다른 구성에서 활용하도록 한다.
이웃 분포와 프로토타입
최근접 이웃에 기반한 의사 레이블 분포를 정의한다. 시험 시점에 모듈을 몇 차례 학습해 이 분포와 프로토타입 기반 클래스 분포를 맞춘다.
예측 평균과 평가
여러 적응 모듈의 클래스 예측 분포를 평균해 최종 레이블을 결정한다. 연구는 VLCS와 PACS 및 OfficeHome과 TerraIncognita의 일반화와 CIFAR 오염 자료에서 평가했다.
관련 문서
T3A / 이웃 상호성 기반 원천 없는 적응 / AaD 원천 없는 도메인 적응 / DANCE 도메인 적응 / SoTTA / SHOT