arXiv cs.AI· Nadine Chang, Maying Shen, Shizhe Diao, Jialiang Wang, Jingde Chen, Thomas Breuel, Pavlo Molchanov, Rafid Mahmood, Jose M. Alvarez·· 4 小时前AI 评分29
TTCov:面向部署感知学习的测试条件数据筛选方法
Test-Time Coverage: Test-Conditioned Data Curation for Deployment-Aware Learning
AI 导读
TTCov(Test-Time Coverage)是一种数据级测试条件筛选方法,在训练前利用测试侧信息而非在推理时更新模型权重。它通过构建任务 Atlas 与 Knowledge Atlas(K-Atlas)将部署分布转化为筛选目标,再选出部署 AP 分布接近该目标的预算内训练集。
正文 · AI 翻译
摘要:已部署的 AI 系统通常从广泛的候选数据池中训练,因此需要针对部署测试分布进行数据整理。然而,标准的数据整理方法评估的是训练侧标准,而非直接优化部署匹配度。我们提出 TTCov(Test-Time Coverage,测试时覆盖),一种数据层面的测试条件化整理方法,它在训练前利用测试侧信息,而不是在推理时更新模型权重。TTCov 将部署条件化的整理分解为覆盖和分布。为了表示覆盖,它构建了一个任务 Atlas,即一组基于 LLM 的原子命题(AP),描述与部署相关的概念,其种子来自开放任务知识,并用从无标签部署样本中提取的未匹配 AP 进行扩展。为了表示分布,它用匹配的部署 AP 及其频率进行实例化,生成一个知识 Atlas(K-Atlas),将部署分布作为整理目标进行操作化。然后,TTCov 选择一个预算内的训练集,使其部署 AP 分布近似该目标。我们将 TTCov 应用于自动驾驶(AD),使适配保持在推理路径之外,同时选择的数据比数据整理基线具有更大的部署相关覆盖、更接近的 K-Atlas 匹配以及更强的下游端到端驾驶性能,包括通过城市到城市扩展无缝适配新领域。代码可在 此 https URL 获取。
| 评论: | v2:添加了公开代码库的链接 |
| 主题: | 人工智能(cs.AI);计算机视觉与模式识别(cs.CV);机器学习(cs.LG) |
| 引用为: | arXiv:2607.22697 [cs.AI] |
| (或 arXiv:2607.22697v2 [cs.AI] 用于此版本) | |
| https://doi.org/10.48550/arXiv.2607.22697 arXiv 颁发的 DOI 通过 DataCite |
提交历史
来自:Maying Shen [查看电子邮件]
[v1]
2026年7月18日星期六 00:28:57 UTC(2,167 KB)
[v2]
2026年11月16日星期一 19:46:45 UTC(2,153 KB)
来源:arXiv cs.AI · arxiv.org