研究人员开发了 S$^2$COPE，一个用于视觉-大语言模型 (VLLMs) 自监督概念发现的新框架。这种无标签的方法使用 VLLMs 作为偏好优化循环中的活跃参与者，在没有人工标注的情况下自主生成和强化视觉概念。实验表明，S$^2$COPE 可以在标准 VLLMs 难以处理的领域特定概念提取方面取得成功，从而显著提高下游分类准确性。 AI
影响 赋能 VLLMs 自主发现和构建视觉概念，有可能在无需人工标注的情况下提高其在专业任务上的性能。
排序理由 该集群描述了一篇关于 VLLMs 自监督概念发现新框架的最新研究论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.14586v1 Announce Type: new Abstract: Current representation learning paradigms force a fundamental compromise: self-supervised methods scale to massive datasets but yield opaque features, whereas interpretable models remain bottlenecked by the need for dense human anno…
Current representation learning paradigms force a fundamental compromise: self-supervised methods scale to massive datasets but yield opaque features, whereas interpretable models remain bottlenecked by the need for dense human annotation. We introduce Self-Supervised Concept dis…