研究人员在正向-正向网络中发现了一种称为层级搭便车（layer free-riding）的现象，即后层可以继承前层已部分处理的任务，导致梯度衰减。提出了三种局部解决方案来解决此问题，在不显著改变准确性的情况下，显著改善了CIFAR-10和CIFAR-100数据集上的层级分离统计数据。另外，开发了一个新的变分特征压缩框架，通过抑制跨模型迁移来保护数据隐私，同时为指定分类器保留准确性。该方法使用变分潜在瓶颈和动态二元掩码来降低表示对非预期模型的效用。 AI
影响 引入了提高神经网络训练效率和增强机器学习模型数据隐私的新方法。
排序理由 两篇arXiv论文详细介绍了神经网络训练和数据隐私方面的新研究。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2605.06240v1 Announce Type: new Abstract: Forward-Forward (FF) training allows each layer to learn from a local goodness criterion. In cumulative-goodness variants, however, later layers can inherit a task that earlier layers have already partially separated. We formalize t…
arXiv:2604.06644v2 Announce Type: replace Abstract: As deep learning inference is increasingly deployed in shared and cloud-based settings, a growing concern is input repurposing, in which data submitted for one task is reused by unauthorized models for another. Existing privacy …