التكيف المتوازن مع النماذج في مواجهة التحديات المُعقدة للثبات في التصنيف الثنائي

تعتبر تقنيات تقليل الإنتروبيا (Entropy Minimization) من الأهداف الأساسية في مجال التكيف في زمن الاختبار (Test-Time Adaptation)، ولكنها قد تفشل عند تطبيقها في حالات التصنيف الثنائي غير المتوازن. وعند النظر إلى تقسيم الصور، نجد أن هذا النوع من التصنيف يدمج آلاف النبؤات البكسلية، مما يجعل فئة الصور الأكبر تسيطر على التحديثات، وتدفع النبؤات الأقل نحو فئتها مثلما يتقاطع الخطر. وبالتالي، تنتج أقنعة سيئة عندما تشبع النبؤات وتتلاشى تدرجات الإنتروبيا الخاصة بها.

تطرق الباحثون في هذه الدراسة إلى تحليل نظري يبين هذه الظاهرة باستخدام نموذج التحول المشترك. هذا التحليل أدى إلى تطوير تقنية جديدة تدعى "التكيف المتوازن مع دعامات النماذج" (Balanced-Anchor Prompt Adaptation) والتي تجمع بين وحدتين تكميليتين.

تعمل الوحدة الأولى، والمعروفة باسم "دعامات مصنفة حسب الفئة" (Class-Balanced Anchors)، على اختيار دعامات عالية الثقة بشكل منفصل لكل فئة متوقعة، وتقوم بتوزيع وزن الخسارة بين الفئات بالتساوي. هذا يمنع الطبقة الأكبر من السيطرة على التحديث. أما الوحدة الثانية، وهي "التكيف الديناميكي للدعائم" (Dynamic Prompt Adaptation)، فتقوم بتحديث هذه الدعامات بعد كل تحديث للنبؤات، وتحسن فقط ترددات نص الدعائم مع الحفاظ على كودات اللغة البصرية ثابتة، مما يساهم في تحسين الحدود بين الفئات دون التأثير على التمثيل البصري الكثيف المسبق.

أظهرت التجارب عبر أربع مجالات أن تقنية BAPA قد حققت أعلى معدل لدايس (Dice) مقارنة بالطرق الأخرى المطروحة. كما دعمت تجارب أخرى فرضية الأدوار التكميلية لوحدات BCA وDPA، مما يجعل التكيف المتوازن مع الدعائم خيارًا فعالًا بديلًا لتقليل الإنتروبيا في تصنيف ثنائي في زمن الاختبار.