PulseAugur
中
实时 20:48:38
English(EN) Breaking Spurious Correlations via Generative Randomization and Cross-Variant Self-Supervised Learning

新框架解决深度学习模型中的虚假相关性 · 已追踪2个来源

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一个新颖的两阶段框架，通过解决虚假相关性来提高深度神经网络在分布变化下的鲁棒性。该方法首先使用具有扩散模型的生成干预来创建前景对象的上下文偏移变体，在保持身份的同时改变背景。然后，一种新的跨变体自监督学习技术通过配对不同背景下的同一对象的变体来对齐以对象为中心的表示，从而抑制特定于背景的线索。该方法在Waterbirds、MetaShift和NICO++等基准测试中取得了最先进的性能。 AI

影响 这项研究可能带来更可靠的AI系统，这些系统在数据分布变化的现实场景中表现更好。

排序理由 该集群包含一篇详细介绍改进深度神经网络鲁棒性新方法的论文。

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新框架解决深度学习模型中的虚假相关性 · 已追踪2个来源

报道来源 [2]

  1. arXiv cs.CV TIER_1 English(EN) · Suraj Yadav, Anjaneya Sharma, Siddharth Yadav ·

    通过生成式随机化和跨变体自监督学习打破虚假相关性

    arXiv:2607.05850v1 Announce Type: new Abstract: Deep neural networks trained with Empirical Risk Minimization (ERM) often fail under distribution shifts because they exploit spurious correlations between object labels and background context. Recent generative approaches address t…

  2. arXiv cs.CV TIER_1 English(EN) · Siddharth Yadav ·

    通过生成式随机化和跨变体自监督学习打破虚假相关性

    Deep neural networks trained with Empirical Risk Minimization (ERM) often fail under distribution shifts because they exploit spurious correlations between object labels and background context. Recent generative approaches address this issue by creating counterfactual images with…

相关实体

相关话题