研究人员开发了 TriNoL，一个使用带噪声标签的半监督学习来适应视觉基础模型（VFMs）的新颖框架。该方法将未标记样本分为三个置信度区域，并将它们分配给专门的 LoRA 专家：一个用于高置信度伪标签的 Positive Expert，一个用于模糊样本的 Alignment Expert，以及一个用于低置信度噪声样本的 Negative Expert。通过将不同可靠性级别的伪标签通过不同的适应路径进行路由，TriNoL 在保持低训练成本的同时增强了对噪声监督的鲁棒性，保持 VFM 主干冻结，仅更新 LoRA 专家和分类器头。 AI
影响 提出了一种提高视觉基础模型适应性鲁棒性和效率的方法，可能会影响这些模型在数据有限或有噪声的情况下针对特定任务进行微调的方式。
排序理由 详细介绍视觉基础模型新适应框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
