冻结VLM也能救模态缺失？纽约州立大学提出TLP，只调logit涨8个点

龙哥先问一个场景：你正在用CLIP做图文检索或者分类识别，模型在完整图文输入下表现一切正常。结果换上真实业务数据，图像传感器抽风了、文本因为隐私脱敏被清空了、数据库某个字段残缺不全——模型性能瞬间崩掉一大截。

龙哥读论文发布于 2026-09-12 16:54:33 阅读 1 查看原文

#多模态 #涨点神器 #模型架构

原论文信息如下：

论文标题:
Test-Time Logit Prompting for Source-Free Missing Modality Adaptation 发表日期:
2026年09月发表单位:
State University of New York at Binghamton 原文链接:
https://arxiv.org/pdf/2609.02039v1.pdf

paperdaily_reaction_gif

龙哥先问一个场景：你正在用CLIP做图文检索或者分类识别，模型在完整图文输入下表现一切正常。结果换上真实业务数据，图像传感器抽风了、文本因为隐私脱敏被清空了、数据库某个字段残缺不全——模型性能瞬间崩掉一大截。这种"模态缺失"问题在自动驾驶、医疗影像、内容审核里面简直家常便饭。

传统解法路子挺多：缺图就生成图，缺文就补作文，或者联合表示学习硬学一个双模态对齐好的特征空间。但这类方法都有一个共同前提——必须能访问到原始的源域训练数据。现实往往骨感，因为隐私保护、存储过期、数据接口权限收紧等原因，源数据已经拿不到了。模型就是一个"黑盒"丢在测试环境里。没有源数据，怎么让模型适应缺胳膊少腿的模态输入？

图1：不同缺失模态适应范式的对比。已有方法依赖源域训练数据进行模态生成、提示学习或表征学习，而TLP通过优化轻量级logit提示，在测试时自适应地适配冻结的视觉语言模型。

图1直观地展示了这种范式差异：左边三种典型方案，不管是模态生成（Modality Generation）、提示学习（Prompt Learning）还是表征学习（Representation Learning），通通都得依赖源域训练数据；右边这种新思路——完全冻结视觉语言模型（VLM），只在logit层面做优化——就是今天的主角。

封面：Test-Time Logit Prompting (TLP) 方法总览图

这次要聊的工作来自纽约州立大学宾汉姆顿分校，标题直接点题：Test-Time Logit Prompting for Source-Free Missing Modality Adaptation（简称TLP），作者是Taixi Chen和Nancy Guo。

模态缺失时VLM性能骤降？问题比想象的更麻烦

先把概念捋清楚。所谓模态（Modality），在视觉语言模型（Vision-Language Models，也就是常说的VLM）里通常指两类信息通道：图像（视觉模态）和文本（语言模态）。CLIP这类VLM在训练阶段见过大量"图片+文字描述"配对数据，把两种模态的特征映射到同一个高维语义空间里，从而实现对图片内容的理解。

CLIP的推理过程并不复杂：图片通过图像编码器得到一个特征，文本通过文本编码器得到另一个特征，然后把两者送入对比学习框架计算相似度，最终得到每个类别的logits（logits就是模型输出的原始分数向量，经过Softmax归一化后可以变成概率）。

问题出在哪呢？训练时VLM高度依赖图像和文本两个通道的信息互补。一旦部署阶段图像缺失或者文本缺失，模型等于"睁一只眼闭一只眼"，两个编码器输出的特征质量直线下降。原本对齐好的跨模态表征空间一旦缺了一侧输入，语义错位就开始了，表现就是识别准确率大幅度跳水。

论文里考虑了三种典型缺失场景：缺失文本（Missing Text）指只有图像可用、文本被挖空；缺失图像（Missing Image）指只有文本描述、图像不可用；混合缺失（Missing Both）则是一个批次里两类不完整样本同时存在。这里用哑变量输入（dummy inputs）来保持输入格式一致——缺文本就补一个空字符串，缺图像就补一张空白图，本质上是让模型在残缺信息下硬扛。

面对缺失模态，已经有一大堆工作提出了各种训练侧方案。但聪明的读者可能已经看出来了：以上所有路子的隐含前提是"训的时候能碰到原始数据"。如果业务场景要求保护隐私、数据在训练后被删除、或者干脆是第三方提供的黑盒API，那这些招全废了。

TLP想解决的正是这个痛点：能不能让一个已训练好的VLM在推理阶段，不需要任何源域数据，自己调整自己，适应缺失模态的输入？

图2：Test-Time Logit Prompting（TLP）方法总览。给定一个冻结的VLM，TLP针对不同的模态缺失条件引入缺失感知的logit提示，直接适应决策空间。推理时，根据模态可用性选择对应的logit提示，并通过不确定性感知调整和模态完整一致性正则化进行优化。优化后的提示调整原始logits用于最终预测，在不更新主干网络的情况下实现高效的无源缺失模态适应。

龙哥看图2的时候第一反应是：这也太简单了？整个VLM骨干全部冻结，不做任何梯度更新，只在分类头之前的logits上面加了一个"可学习的补偿向量"。这个向量有门道——论文管它叫缺失感知logit提示（Missing-Aware Logit Prompt），每种模态缺失条件配一个专属提示。

测试时logit提示带来无源适应新方案

TLP最核心的骚操作在于：直接在决策空间（logit空间）做文章，不碰输入、不碰特征、不碰任何骨干网络参数。为什么是logit空间？这得从测试时适应（Test-Time Adaptation, TTA）的演变说起。

早期的TTA方法大多针对分布偏移，常用手段包括：在测试时更新BatchNorm统计量、调整模型参数、或者额外挂一个小型适配器模块。这些方法确实有效，但都有一个共同倾向——需要修改模型内部的计算过程。一旦模型是黑盒API，或者模型大到不好碰梯度，这些方法就很难落地。

TLP的思路简洁到让人拍大腿：既然模态缺失导致的是最终预测分布发生了偏移，那直接在输出端把偏移补偿回来不就行了？不需要重建图像、不需要生成文本、不需要动特征编码器，只需要在每个类别对应的logit上加一个可学习的偏移量。类别多分类，就准备一个维度等于类别数的向量；完整模态、缺文本、缺图像各自准备一套，测试时按输入情况选择对应的一套向量叠加到logits上面。

TLP的优化目标公式：P* = arg min_P L(D̃_t; θ, P)，表示在冻结VLM参数θ、仅优化logit提示池P的情况下，最小化无源适应目标函数。

公式（1）的哲学很清晰：VLM参数θ冻结不动，只调整logit提示池𝒫，让无监督目标函数在测试集上的值最小化。整个适应过程跟训练数据彻底拜拜。

接下来要面对的核心问题是：没有标签、没有源数据，拿什么信号来优化这个logit提示？论文给出了两个巧妙的约束目标。

第一个是不确定性感知调整（Uncertainty-Aware Adjustment）。可以这样想：如果一个样本缺了文本模态，模型只凭图像做判断，它应该"心里没底"，输出的概率分布应当比较平缓。但实际训练好的VLM在残缺输入下反而可能"死鸭子嘴硬"——明明信息不够，照样给出高置信度预测，而且往往是自信地错。这就是所谓的置信度偏差（Confidence Bias）。TLP的应对措施是：让调整后的预测分布不要离均匀分布太远。

不确定性感知调整损失函数：计算调整后预测分布与均匀分布之间逐类的均方误差，用于缓解缺失模态导致的过度自信问题。

这个损失的意思就是逐个类别检查当前预测概率跟均匀分布差多远，然后求均方误差。N是参与适应的样本数，C是类别总数，q_ij是第i个样本在第j类上的预测概率，u_j是均匀分布在第j类上的值（1/C）。把过高的置信度往回拽一拽，保留合理的怀疑空间。

但你可能会问：把预测往均匀分布方向拉，会不会拉过头？本来模型对某些类别是有些靠谱判断的，被这么一平均，等于把所有类别一视同仁，有用的判别信息也全给抹了。这就要引出第二个约束——模态完整一致性正则化（Modality-Complete Consistency Regularization）。

核心思路是：在每个测试批次里，总有一部分样本是双模态齐全的。这些完整模态样本的预测分布是可靠的"锚点"。如果某条不完整样本的预测分布跟某条完整样本非常接近，那说明这两个样本在语义上大概率属于同一类。因此可以让不完整样本的预测向最相似的完整样本预测对齐，从而保留语义判别结构。

最近邻匹配公式：为每个缺失模态样本，在完整模态样本中根据预测分布距离寻找最近的邻居，作为其语义锚点。

模态完整一致性正则化损失函数：最小化缺失模态样本预测分布与其最近完整模态语义锚点之间的KL散度，从而保留语义信息。

一致性损失用的是KL散度的形式：q_i^a是完整模态锚点的预测分布，q_i是调整后缺失模态样本的预测分布。这个约束在数学上相当于是说："你跟锚点预测的差异越小越好，但不强迫每个样本都必须被拉到某个确定的硬标签上。"

整体优化目标像一个精确配比的特调鸡尾酒：

TLP总损失函数：不确定性感知调整损失加上以1/C为权重的模态完整一致性正则化损失，两类互补目标实现可靠的logit提示优化。

权重系数α设定为1/C很有意思。C越大，类别数越多，在高维空间里做最近邻匹配的可靠性就越低，找到"假邻居"的风险越高，所以α被动变小，一致性约束的力度被自动调低——防止拉郎配。与此同时不确定性感知调整仍然保留着基础的兜底作用。

整个适应流程用大白话讲就是：把一批测试数据喂给冻结的CLIP模型，看哪些样本模态齐全、哪些样本模态缺失。根据模态缺失类型挑选对应的logit提示向量，在logits上加完之后得到新的预测概率。用上述两个损失函数计算梯度，更新提示向量的参数，重复几个迭代步。推最后一轮时再把更新好的提示向量加到logits上做最终预测。

冻结模型也能高效适应缺失模态

这种设计的工程价值有多大？龙哥给读者算一笔账。假设数据集有100个类别，完整模态、缺文本、缺图像各需要一个C维向量，可学习参数总共是3×C=300个浮点数。对比之下，哪怕只微调VLM骨干的一个Transformer层，也要动几十万甚至上百万个参数。300个可学习参数是什么概念？一张显卡上随便跑，一次优化步长内反传计算的参数量几乎可以忽略不计。

论文里写的很清楚：使用CLIP的ViT-B/16作为视觉编码器，文本编码器对应使用CLIP的transformer分支，整个模型权重全部冻结。只需要在测试阶段准备logit提示池𝒫，对于包含图片+文本的标准二模态VLM，𝒫的维度就是3C，对1000类的大规模分类任务也不过3000个参数。相比动辄上亿参数的CLIP模型，更新量小了整整五六个数量级。

论文的实验也验证了效率：在Hateful Memes数据集上做一步测试时适应只花了约3秒，在Food101上花约48秒左右（不同缺失率有所差异）。这个开销比起那些要在源域数据上重新训练模态生成模型的老路子，节省了不是一点半点。适配阶段就是测试集的现场推理，不需要建立训练集群，不需要维护训练数据管道，更不涉及隐私合规问题。

另外值得一提的细节是：跟主流方法不同，TLP并不刻意去"恢复"缺失的模态内容。它只在最后输出层做个算术操作——把预测分数往该调整的方向推一下。这种思路在哲学上跟"提示学习"一脉相承，但作用位置从输入空间换到了输出空间，绕开了"生成缺失模态"这个高难度动作。

logit提示调整公式：调整后的logits等于原始logits加上对应的缺失感知logit提示向量。

最终预测公式：在softmax归一化后的概率分布中取最大概率对应的类别作为最终预测结果。

有一说一，看完这套技术方案的完整推导，龙哥觉得最精彩的地方是"用完整模态做锚点"这个设计。在实际数据流里，完整模态样本往往并不稀缺——即使整体缺失率很高，总有一部分样本是双模态齐全的。把这些白嫖来的可靠信号当作锚，去纠正那些不完整样本的偏置信输出，本身就是一个非常合理的自监督信号。视觉语言模型在预训练阶段已经学会了跨模态对齐，模态齐全样本的预测分布本身就携带了类别的语义结构，拿它当参考坐标系，方向感基本不会错。

即插即用：与现有提示学习方法无缝集成

打工人最关心的问题来了：这个方法跟我已有的模型怎么配合？总不能让龙哥把所有训练好的模型都推倒重练一遍吧？答案是——完全不用。

TLP设计上就是一个即插即用（Plug-and-Play）模块，可以直接叠加在现有的训练式缺失模态方法之上。论文选了三个典型的提示学习方法做集成验证：MMP、DCP和SyP。

MMP（Missing Modality Prompt）是最早把提示学习引入缺失模态场景的方法之一。它的做法是在编码器输入侧添加缺失感知的提示token，让模型在特征提取早期就知道哪些模态缺失。但MMP的提示参数是训练阶段在源域数据上学出来的，一旦源域数据消失，模型也就失去了在未知缺失条件下自我调整的手段。

DCP（Dual-Cross-Prompt）则更近一步，不单在输入侧做提示，还在网络的不同层级之间建模提示的相关性和跨层交互。层数越深，特征越抽象，跨层交互的复杂度也水涨船高。DCP在训练数据充足时表现优秀，但它的参数空间比MMP大得多，源域依赖也更强。

SyP（Synergistic Prompt）的思路又换了一个角度：通过一个自适应提示机制，把实例感知特征（instance-aware features）和可学习提示结合起来。这种"特征+提示"交互能更好地保留个体样本的细节信息。类似的，属于训练侧方法——源域数据不够，SyP的效果同样跟着打折。

TLP的兼容性在于它的优化变量位于决策空间，与前三种方法在输入空间或特征空间的调整互不干扰。管线变成：先在源域上用MMP/DCP/SyP训练好一个具备基础模态缺失鲁棒性的模型，部署之后，再接上TLP做测试时二次适应。注意，接口处不需要任何源域数据的参与，相当于在已经训练好的模型外面套了一个保险杠。论文实验表明这种双重保险不但不冲突，叠加效果甚至比单独使用任何一种都稳定。

这种设计很容易让人联想到一个更广泛的产品逻辑：越轻量的适应模块，越容易成为通用基础设施。如果把模型视作一个封闭的API端点，外部补丁就是最优雅的适配手段。

实验验证：三大基准全面超越基线

说一千道一万，效果才是硬通货。论文实验在三个典型的视觉语言基准数据集上进行，覆盖了三种不同的任务难度。

先看MM-IMDb，这是一个电影类型多标签分类数据集，包含近26,000个样本，每个样本由电影海报和文本描述配对。注意这是多标签任务，一部电影可能同时属于喜剧和爱情片，所以评价指标用F1-Macro——所有类别F1分数的未加权平均。多标签场景下模型要同时输出多个标签的置信度，类间依赖关系复杂，缺失模态的破坏性更为显著。

再来是UPMC Food-101，一个从网络上收集的食品图片与文本描述配对数据集，分类目标是101种菜式。这个数据集最突出的特点是文本噪声极大——网页上的食物名称并不总是跟图片里的菜品严格对应。这种噪声环境测试的是方法在"弱对齐"条件下的适应能力。指标用Top-1精确度。

最后是Hateful Memes，一个恶意表情包检测数据集，任务是判断一个图片文本组合是否含有仇恨内容，评价指标用AUROC（Area Under the Receiver Operating Characteristic Curve）。这个数据集有意思的地方在于：单看图片或者单看文本都不足以判断是否恶意，必须图文结合才能理解语境——比如一张羊驼图片配上"这是羊驼吗"的文字可能是友好的，配上讥讽性文字则可能构成仇恨言论。这种强跨模态依赖的场景，是模态缺失最恶劣的测试环境。

下表展示了核心对比结果：在70%缺失率的条件下，TLP在不同缺失类型组合上对基线的提升。本文选取的基线性是"源训练模型不做任何测试时适应"，直接测试。注意"Ours (1)"表示只做1个优化步，而"Ours (5)"代表5个优化步。

表1：在MM-IMDb、UPMC Food-101和Hateful Memes上与基线的对比结果，覆盖不同模态缺失条件，缺失率η=70%。Time(s)表示在整个测试集上一步优化的总适应时间。Ours(1)和Ours(5)分别表示TLP使用1步和5步测试时优化。最优结果以粗体显示。

先解读前两块的数字。在MM-IMDb上测试集图像缺失、文本缺失率保持30%（表格里Image 100%、Text 30%那行），基线只有44.76%的F1-Macro，一步TLP直接拉升到46.91%，五步优化更是一鼓作气冲到53.05%——提升幅度约8个百分点，这也是论文里提到的最大涨点。再看UPMC Food-101，缺失条件下基线72.97%，五步优化到75.45%，也有约2.5个百分点增益。三个数据集里Hateful Memes的提升相对温和（约1-1.2个百分点），但这跟它的任务属性有关——强跨模态依赖使得仅靠输出层的修正空间有限，收益同样稳定为正。

顺着这个表，龙哥帮读者理清一个容易误读的细节。读者可能会问：为什么F1-Macro在MM-IMDb上的提升幅度比Food101的Top-1准确率大这么多？一个关键因素是多标签任务里logit之间的相关性更复杂。文本缺失时，原始模型的多个标签输出之间可能产生错误的关联模式（比如把"动作"和"惊悚"绑在一起输出高分数），而在logit层面加一个类别级的补偿向量，能在一定程度上解耦这种虚假关联。另一方面，像Food101这样的单标签细粒度分类，模型只靠图像也至少能猜个八九不离十，logit提示的作用更像是锦上添花。

接下来这张图（图3）尤其值得一提，它展示了TLP面对"训练时数据完整、测试时模态突变"的泛化能力。源模型在完整模态数据上训练，测试时按不同缺失率（10%到90%）故意挖掉文本或图像，再看模型扛不扛得住。

图3(c)：混合缺失场景下TLP在不同测试时缺失率下的泛化性能——图3：在MM-IMDb数据集上不同测试时缺失率下的泛化分析。源模型训练时模态完整，测试时施加不同缺失率，TLP直接推理不访问源数据。

图3包含三个子图：（a）缺失文本、（b）缺失图像、（c）混合缺失。一个很清晰的信号是：无论哪种缺失模式，TLP曲线始终压在基线上方，而且缺失率越高，两条线的间距越宽。

更值得注意的是，对比图（a）和（b）可以看出文本缺失对MM-IMDb的打击远大于图像缺失——说明在这个电影数据集上，电影简介文本的判别信息量比海报图像更密集。TLP在最难啃的缺失文本场景下依然能稳定追回可观的性能，这比在简单场景下刷好看数字更有说服力。

图4则展示了TLP跟MMP、DCP、SyP三种训练式方法集成后的表现。每一行对应一种基础方法，每一列代表一种缺失模式，橙色线（叠加TLP）始终不低于蓝色线（原始方法），集成效果非常稳定。

图4(i)：SyP方法混合缺失场景下叠加TLP的效果对比——图4：在MM-IMDb上与现有缺失模态方法集成即插即用评估。MMP、DCP和SyP在对应缺失设置下训练，TLP在推理时直接应用，无需重新训练。

从（a）到（c）三行分别对应MMP、DCP、SyP，每一行从左到右依次是缺失文本、缺失图像和混合缺失。集成TLP后（橙色曲线）全部在原始方法（蓝色曲线）之上。说明即使源域训练时见过大量缺失模态数据，测试时还是会遭遇分布外的缺失模式，而TLP这种输出层的微调依然能带来增量收益。

最后是消融学习和可视化分析。消融实验解答了一个重要问题：两个损失函数各自贡献了多少力量？

表2与图5：上方为不同优化目标在三个基准上的消融实验结果，最优结果加粗；下方为Food101上不同缺失场景下用t-SNE对TLP调整后logit分布的可视化分析。

表格第一行两个损失都启用，三个数据集分数最高；第二行只加一致性损失去掉不确定性感知损失，在Hateful Memes上有所下降；第三行只保留不确定性感知损失，Hateful Memes还行但Food101明显掉了一点；第四行两个都不加，此时logit提示根本没被优化，数字直接趴回基线水平——这验证了一个结论：更新logit提示本身跟不更新没区别，关键动力全部来自于两个无监督目标。

表2下方的图5展示了Food101上t-SNE（t-distributed Stochastic Neighbor Embedding，一种常用的高维数据可视化降维算法）对logit分布的可视化结果。每个颜色代表一个类别簇，可以看到TLP调整后不同类别的logit向量形成了清晰的聚类结构——这说明logit层面的便宜操作，确实在隐式地恢复类别判别边界。

图5(a)：缺失文本场景下TLP调整后Food101数据集的logit分布可视化

图5(b)：混合缺失场景下TLP调整后Food101数据集的logit分布可视化——图5：Food101不同缺失场景下TLP调整后logit分布的t-SNE可视化分析。

龙哥还留意到论文的一个细节：表1中的Time(s)一栏，Food101的一步适应时间约48到90秒，Hateful Memes只有2到3秒，MM-IMDb大约50秒左右。三种数据集一步适应在A6000上都是分钟级别以内，这为实际落地提供了极大的便利。

如果连续做5个优化步，数字还能再涨一点，说明TLP的适应曲线比较平滑，不容易过拟合测试批次的噪声。对于真实场景，龙哥的建议是：先试一步，如果效果还不够再加步数，效率跟性能平衡下来非常划算。

用表格小结一下本论文的主体信息：

*表格超出部分左右可以滑动 $Table 1: Comparison with the baseline on MM-IMDb (Arevalo et al. 2017), UPMC Food-101 (Wang et al. 2015), and Hateful Memes (Kiela et al. 2020) under diferent missing-modality conditions with missing rate \eta = 7 0 \% . “Time (s)” denotes the total adaptation time over the test set with one optimization step. Ours (1) and Ours (5) indicate TLP with 1 and 5 test-time optimization steps, respectively. The best results are highlighted in bold.$

Table 1: Comparison with the baseline on MM-IMDb (Arevalo et al. 2017), UPMC Food-101 (Wang et al. 2015), and Hateful Memes (Kiela et al. 2020) under diferent missing-modality conditions with missing rate \eta = 7 0 \% . “Time (s)” denotes the total adaptation time over the test set with one optimization step. Ours (1) and Ours (5) indicate TLP with 1 and 5 test-time optimization steps, respectively. The best results are highlighted in bold.

到这里，论文的核心工作基本讲透了。龙哥认为TLP在「轻量」这件事上做得相当克制：不折腾输入、不修改内部层、只在最后输出端做几百个数值的微调。现实点说，它不可能解决所有模态缺失问题——logit被严重扭曲时，输出端一个线性补偿不一定找得回原来的语义；但如果只是置信度漂移和轻微决策偏移，这种决策空间的"外科手术式调整"确实物超所值。

龙迷三问

下面是龙哥对于大家可能的一些问题的解答：

这篇论文到底在解决什么问题？模态缺失时VLM性能骤降怎么办？本文提出测试时logit提示（TLP），无需源数据、完全冻结骨干，只优化数百个类级logit提示，配合不确定性校准与一致性正则，在三个多模态基准上最高提升约8个百分点。

这篇工作最值得看的点是什么？TLP在三个基准数据集上均一致提升性能，最高提升8%，仅需数百个可调参数和少量测试时优化步骤；与现有训练方法集成时也持续带来增益。

这篇工作的边界或风险在哪里？优点：无需源数据、仅优化logit空间参数、计算开销极小、可即插即用集成到现有方法；缺点：依赖完整模态样本作为语义锚点，当测试批次中完整模态样本极少时可能影响效果；logit级适应对严重分布偏移的建模能力有限。

如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~

龙哥点评

论文创新性分数：★★★★☆

提出测试时logit提示（TLP）框架，在推理阶段通过优化轻量级logit提示池直接调整冻结视觉语言模型的决策空间，实现无源缺失模态适应。

实验合理度：★★★★☆

F1-Macro（MM-IMDb多标签分类）、Top-1准确率（Food-101）、AUROC（Hateful Memes）

学术研究价值：★★★★☆

提出测试时logit提示（TLP）框架，在推理阶段通过优化轻量级logit提示池直接调整冻结视觉语言模型的决策空间，实现无源缺失模态适应；更关键的是问题定义是否可复用到同类任务。

稳定性：★★★☆☆

现有材料未提供充分的极端条件、重复运行或扰动测试，稳定性暂按中性评价。

适应性以及泛化能力：★★★☆☆

现有材料未完整展示跨数据集、跨场景或分布外实验，泛化能力仍需进一步验证。

硬件需求及成本：★★★☆☆

仅需优化3C个参数（C为类别数），单步适应时间3-90秒，5步优化即可达到最佳效果。

复现难度：★★★☆☆

现有材料未确认完整代码、配置、数据处理脚本和权重是否齐备，复现难度暂按中性评价。

产品化成熟度：★★★☆☆

论文验证以研究实验为主，真实部署中的时延、成本、维护和异常场景仍需补充验证。

可能的问题：依赖完整模态样本作为语义锚点，当测试批次中完整模态样本极少时可能影响效果；logit级适应对严重分布偏移的建模能力有限。

*本文仅代表个人理解及观点，不构成任何论文审核或者项目落地推荐意见，具体以相关组织评审结果为准。欢迎就论文内容交流探讨，理性发言哦～想了解更多原文细节的小伙伴，可以点击"阅读原文"，查看更多原论文细节哦！