RADC：风险感知的视觉语言测试时双缓存适配

用于视觉语言模型的基于缓存的测试时自适应 (TTA) 通常受到全局表示中的背景偏差和表示变化下不可靠的基于熵的缓存准入的阻碍。为了解决这些限制，我们提出了 RADC，它通过可靠的双缓存来增强原型学习。 RADC 引入了语义前景缓存，该缓存从 CLIP 表示中聚合类别一致的空间证据，生成补充全局缓存的前景原型，同时减轻背景干扰。为了可靠地管理两个缓存，高斯风险准入将多视图表示建模为对角高斯分布，并共同考虑类分离和特征不确定性，以优先考虑可靠的缓存候选者。 RADC 将零样本 logits 与互补的全局和前台缓存预测集成在一起，以实现稳健的推理。对跨域和分布外基准的广泛实验证明了一致的最先进的性能。