新框架使用对抗性审讯提高伪标签准确性

研究人员引入了标签模仿游戏（LIG），一个旨在提高基础模型伪标签准确性的新颖框架。这种对抗性方法训练一个图灵测试网络（TTN）充当裁判，在数据集的上下文中评估伪标签，而不是依赖孤立的阈值。实验表明，TTN提高了视觉-语言模型的标签准确性，展示了鲁棒性和零样本任务迁移能力，甚至在复杂目标检测任务上也能提高性能。 AI

影响 这项研究可能带来更准确、更高效的基础模型数据标注，从而降低成本并提高下游模型的性能。

排序理由 该集群包含一篇详细介绍伪标签剪枝新框架和方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• alphaXiv
• arXiv
• Brent Griffin Dr
• CatalyzeX
• DagsHub
• Gotit.pub
• Hugging Face
• Label Imitation Game
• ScienceCast
• Turing Test Network

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →