Charmaine Barker
PulseAugur coverage of Charmaine Barker — every cluster mentioning Charmaine Barker across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新框架无需重新训练即可适应已部署的AI模型
研究人员开发了一个名为Deep Repurposing (DR)的新框架，用于在任务需求发生变化时适应已部署的深度神经网络。这种事后方法可以在不进行昂贵的微调或梯度更新的情况下，识别和移除过时的行为。DR估计了过时和保留区域的潜在几何结构，然后重新分配证据以支持新任务，从而有效地消除无效输出，同时保留有用的结构。实验表明，DR在保留的准确性方面与竞争方法相当或更优，并且适应速度可以提高60倍。
-
新的CLEAR方法提高了证据深度学习的鲁棒性
研究人员开发了CLEAR，这是一种旨在增强证据深度学习模型鲁棒性的新型事后方法。该技术通过分析使用校准数据的模型潜在空间来改进不确定性量化。在推理时，CLEAR在潜在空间中生成扰动视图并测量它们的冲突，利用高冲突来降低不受支持输入的证据强度，同时保留一致输入的证据强度。CLEAR在ImageNet到CUB等基准测试中，在分布外准确性和对抗性准确性方面均显示出显著的改进，同时速度也比现有方法快得多。
-
新方法无需重新训练即可估计目标检测不确定性
研究人员开发了一种新的方法，可以在无需重新训练或架构更改的情况下估计目标检测模型中的不确定性。这种名为 GRACE 的事后证据元模型通过分析与定位相关的特征并使用显著性引导的修改来学习识别目标定位何时不确定。该系统结合了定位误差、修改级别和预测不稳定性来指导元模型，然后元模型估计每个边界框的不确定性。GRACE 在检测对抗性攻击方面表现出显著的改进，同时保持了分布内性能。