TALOR
一种面向开集测试时适应（OSTTA）的即插即用特征校正方法，基于源模型线性分类头的几何结构分解主坐标与尾坐标，用加权岭回归闭式估计漂移量，无需反向传播或记忆库
时间轴 (近 90 天)
TALOR 是一种无需反向传播、无需记忆库的 OSTTA 校正模块，利用源模型线性分类头的几何结构进行特征校正。
TALOR 将源线性头权重诱导的基用于分解归一化特征，分为高增益的主坐标和低增益的尾坐标。
TALOR 在主坐标子空间中估计一个由 regime 级主偏置和以尾坐标为条件的斜率项组成的软路由仿射校正。
TALOR 使用加权岭回归从主坐标中闭式求解 regime 级漂移量，权重可由尾坐标统计量导出。
在 ImageNet-C 基准配合六个 csOOD 数据集评测中，TALOR 的 H-score 比次优方法 UniEnt 高出 2.2%。
在相同评测中，TALOR 运行速度比 UniEnt 快 2.5 倍，GPU 内存占用仅为 UniEnt 的 12%。
TALOR 作为后校正插件将 COME 方法的 H-score 提升至 68.4%，额外内存开销仅 2%。
TALOR 不绑定特定骨干网络或适应策略，可作为通用组件叠加到现有 OSTTA 流程之上。
TALOR 的效果可能依赖于源模型线性分类头的质量；在更复杂的开集场景中尾坐标的信息容量是否足够仍需验证。
全部知识事实 (9)
TALOR 是一种无需反向传播、无需记忆库的 OSTTA 校正模块，利用源模型线性分类头的几何结构进行特征校正。
50%待验证TALOR 将源线性头权重诱导的基用于分解归一化特征，分为高增益的主坐标和低增益的尾坐标。
50%待验证TALOR 在主坐标子空间中估计一个由 regime 级主偏置和以尾坐标为条件的斜率项组成的软路由仿射校正。
50%待验证TALOR 使用加权岭回归从主坐标中闭式求解 regime 级漂移量，权重可由尾坐标统计量导出。
50%待验证在 ImageNet-C 基准配合六个 csOOD 数据集评测中，TALOR 的 H-score 比次优方法 UniEnt 高出 2.2%。
50%待验证在相同评测中，TALOR 运行速度比 UniEnt 快 2.5 倍，GPU 内存占用仅为 UniEnt 的 12%。
50%待验证TALOR 作为后校正插件将 COME 方法的 H-score 提升至 68.4%，额外内存开销仅 2%。
50%待验证TALOR 不绑定特定骨干网络或适应策略，可作为通用组件叠加到现有 OSTTA 流程之上。
50%待验证TALOR 的效果可能依赖于源模型线性分类头的质量；在更复杂的开集场景中尾坐标的信息容量是否足够仍需验证。
50%