#VLM

RADC：面向视觉语言模型测试时自适应的风险感知双缓存

基于摘要分析。该研究针对视觉语言模型缓存式测试时自适应中的两个问题：全局表征受背景偏置干扰，以及表征变化时基于熵的缓存准入不够可靠。作者提出 RADC，通过互补的全局与前景缓存及风险感知准入机制增强原型学习。 核心机制包括 Semantic Foreground Cache 与 Gaussian Risk Admission。前者从 CLIP 表征中聚合类别一致的空间证据，形成前景原型，以补充全局缓存并减轻背景干扰；后者将多视图表征建模为对角高斯分布，联合考虑类别分离程度与特征不确定性，优先选择可靠候选进入缓存。推理时，RADC 融合零样本 logits、全局缓存预测与前景缓存预测。摘要未给出空间证据筛选规则、风险计算公式、视图构造方式或预测融合权重。 作者报告，在跨域与分布外基准上取得一致的最先进性能；但材料未提供基准名称、数据划分、对照方法或具体指标，因而不能核对性能幅度与比较条件。实验协议、消融及统计信息尚未验证。复现需进一步确认缓存初始化与更新策略、测试样本处理顺序，以及前景缓存和风险准入各自的贡献。 平台推测（待验证）：其机制可启发 EEG 测试时自适应中的可靠样本筛选，但原方法依赖 CLIP 空间表征与多视图信息，不能直接等同于 EEG 通道或时间片。假设是：若 EEG 多视图能保留类别信息，联合类别分离与不确定性的准入可能减少低信噪比样本对缓存的污染。可复用的是风险准入与缓存融合思路；需改造的是表征提取、视图构造及“前景”定义。跨被试差异、通道变化和小样本下的不确定性估计可能使该假设失效。一个可检验的小实验是在固定编码器与相同跨会话数据划分下，仅比较熵准入与风险准入的缓存适应效果；已有 EEG 相关工作尚未检索确认。