PulseAugur
中
实时 10:58:27
English(EN) Post-Training Augmentation Invariance

新框架为预训练模型增加不变性，无需微调

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新的训练后增强不变性框架，使预训练的神经网络能够在不影响原始数据性能的情况下获得新的不变性属性。该方法使用附加到潜在空间的轻量级适配器网络，并采用新颖的马尔可夫-沃瑟斯坦最小化或沃瑟斯坦相关最大化损失进行训练。实证结果表明，在旋转和噪声图像分类精度方面有显著提高，同时对原始特征的破坏最小，并且无需对基础网络进行微调。 AI

影响 使模型能够更好地泛化到增强数据，而不会降低原始输入的性能。

排序理由 这是一篇研究论文，详细介绍了一种用于改进模型不变性的新框架和方法。 [lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

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

报道来源 [1]

  1. arXiv stat.ML TIER_1 English(EN) · Keenan Eikenberry, Lizuo Liu, Yoonsang Lee ·

    Post-Training Augmentation Invariance

    arXiv:2505.11702v3 Announce Type: replace-cross Abstract: This work develops a framework for post-training augmentation invariance, in which our goal is to add invariance properties to a pretrained network without altering its behavior on the original, non-augmented input distrib…

相关实体

相关话题