研究人员开发了一种新的域增量学习方法Lamarck,该方法在无需重放先前域数据的情况下提高了模型准确性。Lamarck利用继承的适配器专家,其中适配器是增强每个深度ViT块后性能的小型可训练层。该方法在CDDB-Hard深度伪造基准测试中准确性提高了4.4个百分点,并在CDDB-Hard、DomainNet和OfficeHome数据集上超越了十二个冻结骨干基线。 AI
影响 在无需数据重放的情况下提高了域增量学习的准确性,可能增强模型对新数据分布的适应性。
排序理由 该集群描述了在arXiv上发表的一篇学术论文中的新方法和基准测试结果。[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 →