PulseAugur
中
实时 09:24:48

新的 $\lambda$-Orthogonality Regularization 增强神经网络表示兼容性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员引入了一种名为 $\lambda$-Orthogonality Regularization 的新颖正则化技术，以提高神经网络学习到的表示的兼容性。该方法旨在平衡仿射变换的适应性与正交变换的结构保持性。通过在仿射变换学习过程中应用宽松的正交约束，该方法允许特定于分布的适应，同时保留原始学习到的表示。实验表明，该技术可以维持零样本性能并确保模型更新之间的兼容性。 AI

影响 这项新的正则化技术可以提高不同人工智能模型之间知识迁移的效率和有效性。

排序理由 该集群包含一篇详细介绍表示学习新正则化技术的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

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

新的 $\lambda$-Orthogonality Regularization 增强神经网络表示兼容性

报道来源 [1]

  1. arXiv cs.CV TIER_1 English(EN) · Simone Ricci, Niccol\`o Biondi, Federico Pernici, Ioannis Patras, Alberto Del Bimbo ·

    $\boldsymbol{\lambda}$-正交正则化用于兼容表示学习

    arXiv:2509.16664v2 Announce Type: cross Abstract: Retrieval systems rely on representations learned by increasingly powerful models. However, due to the high training cost and inconsistencies in learned representations, there is significant interest in facilitating communication …

相关实体

相关话题