Self-Soupervision 可从无标签数据中生成模型汤

研究人员开发了一种名为 Self-Soupervision 的新方法，该方法允许使用自监督学习 (SSL) 而非传统的监督学习来创建“模型汤”。这项技术能够组合来自多个模型的参数，即使是那些使用不同 SSL 算法或超参数训练的模型，也能提高预测准确性和鲁棒性。实验表明，Self-Souping 提高了在 ImageNet-C 和 LAION-C 等损坏数据集上的鲁棒性，并成功创建了性能优于单个模型的、由各种 SSL 成分组成的模型汤。 AI

影响 通过利用无标签数据，可以构建更鲁棒、更准确的模型，从而可能减少对昂贵标签数据集的依赖。

排序理由 该集群包含一篇研究论文，详细介绍了使用自监督学习创建模型汤的新颖方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• Anthony Fuller
• ImageNet-C
• LAION-C
• LeJEPA
• MAE
• MoCoV3
• model soups
• Self-Soupervision
• self-supervised learning
• supervised learning

• 论文
• 模型发布
• 安全

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