研究人员开发了一个名为频率感知梯度校正（FGR）的新训练框架，以提高深度神经网络在面对分布偏移时的校准能力。FGR使用低通滤波来减少对虚假高频线索的依赖，鼓励学习更具领域不变性的特征。为了解决分布内校准可能出现的性能下降问题，FGR将此作为硬约束，通过几何投影校正参数更新，以确保性能得到维持。 AI
影响 通过改进分布偏移下的校准，提高了AI模型在现实场景中的可靠性。
排序理由 这是一篇详细介绍改进AI模型性能的新技术方法的学术论文。[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 →
