CIFAR-10-C
PulseAugur coverage of CIFAR-10-C — every cluster mentioning CIFAR-10-C across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
新的框架 DRO-Augment 通过 Mixup 增强提高了神经网络的校准性能
研究人员开发了 DRO-Augment，这是一个旨在提高深度神经网络在使用基于 Mixup 的数据增强时的校准性能的新框架。该方法集成了 Wasserstein Distributionally Robust Optimization (W-DRO)，以解决增强性能越强、对抗损坏数据的鲁棒性越好，但校准误差越大的权衡问题。DRO-Augment 在 CIFAR-10 和 CIFAR-100 等数据集上显著降低了校准误差，同时保持了准确…
-
新方法增强深度神经网络插值鲁棒性
研究人员引入了Sharp Mode Connectivity (SMC)，一种用于优化深度神经网络权重空间中参数曲线的新方法。与仅确保沿轨迹低损失的标准模式连通性不同，SMC还强制要求邻近区域的低损失，从而使插值模型对分布变化更加鲁棒。该方法在ResNet-18和ViT-Tiny等模型以及CIFAR-10和ImageNet-100等数据集上得到了验证，显示出显著的准确性提升，尤其是在CIFAR-10-C等损坏情况下，甚至产生了负损失障碍。
-
新的SA-SAM方法在高度稀疏性下提高了深度神经网络的鲁棒性
研究人员开发了稀疏性自适应锐度感知最小化（SA-SAM）方法，这是一种提高深度神经网络在常见损坏下的鲁棒性的新方法，尤其是在高稀疏性水平下。SA-SAM根据稀疏性调整扰动半径以维持鲁棒性，并引入了幅度加权Hessian（MWH）进行模型剪枝。在CIFAR和ImageNet损坏数据集上的实验表明，SA-SAM在高稀疏性（80-90%）下实现了比现有方法更好的鲁棒性，同时保持了干净精度。
-
新的振荡预测学习框架展示了涌现式对抗鲁棒性
研究人员开发了一个名为振荡预测学习（OPL）的新框架，旨在不依赖对抗性训练或净化等传统方法来实现计算机视觉中的对抗鲁棒性。OPL将人工栗本振荡神经元（AKOrN）与使用X-PhiNet的自监督预训练方法相结合。在CIFAR-10和CIFAR-100数据集上的实验表明，OPL可以在特定的评估协议下实现具有竞争力的鲁棒准确率，展示了来自架构和表示学习偏差的涌现式鲁棒性。
-
Phase transition frequency predicts ResNet accuracy in training
研究人员发现了一种新的指标“相变频率”，可以预测ResNet模型在训练过程中的测试准确率。该指标统计离散的类别可分性跳跃次数，在CIFAR-10和CIFAR-100等标准基准测试中与准确率呈强负相关。然而，在分布偏移压力下，如在TinyImageNet和CIFAR-10-C基准测试中观察到的那样，这种预测能力会减弱。进一步分析表明，虽然相变频率是训练曲线信号中的一个强预测因子，但对于受压数据集，其他方法更有效。
-
测试时适应方法在损坏数据上表现不一
一篇新发表在 arXiv 上的研究调查了测试时适应（TTA）方法在提高模型对分布偏移的鲁棒性方面的有效性，特别是在 CIFAR-10-C 基准测试上。该研究比较了三种 TTA 策略——BN-Adapt、TENT 和 EATA 的重新实现——结果显示，尽管所有方法都显著提高了平均准确率，但在特定条件下，尤其是在亮度（brightness）和雾（fog）等低强度损坏下，它们的表现不如未适应的源模型。研究结果表明，聚合准确率可能会掩盖这些失…
-
新方法增强了本地差分隐私下的数据效用
研究人员开发了一种新颖的方法来提高在本地差分隐私（LDP）下收集的数据的效用。该方法选择性地减少数据中最与特定任务相关的子空间中的噪声，而不是在所有维度上应用均匀噪声。通过使用公共模型的雅可比矩阵识别这些关键子空间，该方法将噪声分布从各向同性重塑为各向异性，从而在保持隐私保证的同时提高了数据效用。实验表明，在图像分类任务上准确性得到了显著提高。
-
新研究探讨测试时域适应中的准确性和延迟挑战
三篇新研究论文探讨了机器学习中测试时域适应（TTA）的细微差别。一篇论文研究了识别分布内数据与检测分布外数据之间的权衡，发现当前方法难以平衡两者。另一篇论文介绍了一个名为 Tempora 的框架，用于在时间限制下评估 TTA，结果表明当延迟是一个因素时，标准的性能排名不再成立。第三篇论文系统地研究了持续 TTA 中的不同掩码策略，表明空间掩码对于某些架构更稳定，而频率掩码对于其他架构则具有竞争力。
-
新型攻击隐蔽地针对测试时自适应模型
研究人员开发了一种新的样本级定向对抗攻击方法，该方法专门针对测试时自适应（TTA）场景。该方法旨在仅误分类包含攻击者选择的触发器的特定输入，同时保持良性查询的整体标签分布以逃避检测。所提出的基于元学习的攻击利用了一种新颖的优先级感知梯度对齐策略，以同时优化攻击成功率和分布隐蔽性。