研究人员推出了一种名为“具有动态收缩的冯·米塞斯-费舍尔混合模型”（MOON）的新方法，旨在提高视觉语言模型（VLM）在测试时转导过程中的性能。该方法解决了类别分布不平衡的挑战，这种不平衡常常会降低VLM的性能。MOON模型在超球面上建模表示，并利用零样本先验动态调整收缩强度，以减轻负迁移并防止离群类别产生不可靠的分配。该方法不依赖于特定模型，无需训练或特定任务调优，并在性能和效率方面均显示出优势。 AI
影响 在类别不平衡的数据场景下提高了VLM的性能，可能改善其在现实世界中的应用。
排序理由 该集群包含一篇研究论文，详细介绍了一种改进视觉语言模型的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
- alphaXiv
- arXiv
- CatalyzeX
- DagsHub
- Gotit.pub
- Hugging Face
- KL-divergence
- Mixture of Von Mises-Fisher Models with Dynamic Shrinkage
- MOON
- ScienceCast
- vision-language models
- VON MISES-FISHER MIXTURE MODEL OF THE DIFFUSION ODF.
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
