Controllable Continual Test-Time Adaptation

CTTA是一项新兴且具有挑战性的任务，其中在源域训练的模型必须在测试期间适应不断变化的条件，而没有原始源数据的访问权限。由于无法控制的领域转移，CTTA容易出现错误积累，导致类别之间的决策边界模糊。现有的CTTA方法主要集中在抑制领域转移，但在无监督测试阶段证明是不充分的。相比之下，我们提出了一种新颖的方法，该方法引导而不是抑制这些转移。具体而言，我们提出了可控的连续测试时间适应（C-CoTTA），明确防止任何单个类别侵犯其他类别，从而减轻由无法控制的转移引起的类别之间的相互影响。此外，我们的方法降低了模型对领域变换的敏感性，从而最小化了类别转换的幅度。广泛的定量实验证明了我们方法的有效性，而定性分析，例如t-SNE图，证实了我们方法的理论有效性。

论文解决的问题是Continual Test-Time Adaptation (CTTA)中的错误积累和模型对领域变换的敏感性问题。这是一个新问题。

论文提出了一种新的方法，即Controllable Continual Test-Time Adaptation (C-CoTTA)，通过显式防止单个类别侵占其他类别来引导领域变换，从而减少模型对领域变换的敏感性，缓解不可控变换带来的类别之间相互影响的问题。

论文通过大量的实验验证了C-CoTTA方法的有效性，并且使用t-SNE图进行了定性分析，证明了该方法的理论有效性。此外，论文还开源了代码。

最近的相关研究包括Continual Learning和Domain Adaptation两个领域。其中Continual Learning方面的研究有《Continual Learning: A Review》、《Continual Learning with Deep Generative Replay》等；Domain Adaptation方面的研究有《Unsupervised Domain Adaptation by Backpropagation》、《Deep Domain Confusion: Maximizing for Domain Invariance》等。