في عالم الذكاء الاصطناعي، تبرز الحاجة لرفع مستوى كفاءة النماذج في مواجهة التغيرات المفاجئة في البيانات. يأتي مفهوم تكييف وقت الاختبار (Test-Time Adaptation - TTA) ليلبي هذه الحاجة، حيث يسعى لتحسين قوة نماذج الذكاء الاصطناعي من خلال تكييف معلمات النموذج باستخدام بيانات مستهدفة غير مصنفة.

لكن في غياب الإشراف، تظهر مشكلة نقص التحديد (Underspecification)، حيث يمكن أن تؤدي تحديثات معلمات متعددة إلى نتائج متشابهة، لكن بحدود قرار مختلفة تماماً. هذه الظاهرة تجعل تكييف وقت الاختبار عرضة للانهيار في أوضاع غير حقيقية.

في عملنا هذا، نقدم تأويلًا جديدًا لتكييف وقت الاختبار من خلال عدسة مستوحاة من التوزيع الخلفي الناجم عن تقليل الانتروبيا، حيث تحدد الحلول ذات الانتروبيا المنخفضة افتراضيًا احتمالية زائفة على المعلمات. بدلاً من الالتزام بتقدير وحيد، نقدم إطار عمل قائم على تنويع الجسيمات لاستكشاف مسارات التكييف المتعددة في الوقت ذاته.

يعتمد منهجنا على استكشاف منظم للعديد من الحلول المحتملة، من خلال تنويع متعدد المستويات على الإخراج، والمعلمات، والمُحسّنات، ومستويات الإدخال. والأهم من ذلك، فإن هذا الإطار يعمل كأنبوب مدمج مع طرق TTA الحالية.

تظهر التجارب الواسعة على اختبارات صعبة تحسينات ثابتة في الاستقرار والموثوقية، محققًا زيادة من 3-4% في ظل تغييرات مختلطة، و2-3% مع حجم دفعة واحدة، و1-2.5% في ظل تغييرات التسمية، متفوقًا على المعايير المعاصرة.

تشير نتائجنا إلى أن اعتبار TTA كمشكلة استدلال متعدد الفرضيات بدلاً من مهمة تحسين نقطة واحدة هو المفتاح لمعالجة مشكلة نقص التحديد وتمكين نشر موثوق للنماذج في العالم الحقيقي.