热点事件持续更新
GAIN：免反向传播的持续测试时自适应框架
1 篇报道1 个报道来源4 小时前更新
先了解这件事
AI 综述
2026 年 9 月 30 日，arXiv cs.CV 出现一篇论文，提出 GAIN——一个免反向传播、无需样本存储与回放的持续测试时自适应（CTTA）框架。论文的出发点是“并非每次修正都有益”，因此 GAIN 采用“历史提议、增益决定”的原则：先用目标统计生成修正提议，再由源相对增益决定每个样本的干预强度，从而避免无益甚至有害的调整。据该报道，GAIN 在五个 benchmark 上取得较强的预测性能；在 ImageNet-C 上以接近源模型的校准达到 61.9% 准确率，并比代表性的优化式 CTTA 基线快 15.9 倍。截至目前，报道仅给出这一版结果，尚无后续进展或与其他报道相矛盾的数字。
AI 根据报道生成 · 3 小时前更新
最新进展9月30日 12:00
GAIN 论文公布：ImageNet-C 准确率 61.9%，较优化式 CTTA 基线快 15.9 倍。报道时间线
沿着报道，了解事件的不同侧面。
9月30日
- arXiv cs.CV并非每次修正都有益：GAIN 增益引导的持续测试时自适应
GAIN 是免反向传播、无样本存储与回放的持续测试时自适应（CTTA）框架，按“历史提议、增益决定”原则，用目标统计生成修正提议、以源相对增益决定每个样本的干预强度。在五个 benchmark 上它取得较强预测性能，ImageNet-C 上以接近源模型的校准达到 61.9% 准确率，并比代表性优化式 CTTA 基线快 15.9x。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。