【阿姆斯特丹博士论文】在测试时学习泛化

泛化能力，即将从已见上下文中学习到的知识有效应用于陌生情境的能力，是人类智能的重要特征，但对当前的人工智能系统而言仍是一项重大挑战。传统的机器学习算法通常依赖于训练数据与测试数据来自相同分布的假设，因此在面临分布偏移时，其性能往往显著下降。本论文聚焦于提升泛化能力这一关键问题，尤其是在 测试时泛化 ，即在训练阶段无法访问测试数据的前提下提高模型在测试阶段的表现。

本论文的结构如下：

1. 训练阶段的泛化模型学习 ：通过贝叶斯神经网络中的不变性学习实现更具泛化能力的模型训练；

2. 测试阶段的泛化模型学习