CIFAR-100-C
PulseAugur coverage of CIFAR-100-C — every cluster mentioning CIFAR-100-C across labs, papers, and developer communities, ranked by signal.
3 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。
-
研究质疑从无标签数据中识别AI模型适应性的可行性
一篇新的研究论文探讨了从无标签证据中识别测试时适应（TTA）的可能性。该研究质疑现有的无标签数据是否足以可靠地为已部署的模型选择最佳的适应策略。研究人员证明，如果一个观测通道使得两次部署看起来相同，但它们的TTA排名却不同，那么可靠的选择就变得不可能。这种现象在CIFAR-100-C和DomainNet-126的基准研究中被观察到，表明信息通道本身可能是一个限制因素，独立于选择器的性能。
-
新方法实现跨域共形预测迁移
研究人员开发了一种名为传输共形校准（TCC）的新颖方法，以解决在仅源域有标记校准数据，但需要在目标域进行预测的共形预测挑战。TCC利用无标记配对观测将标记源校准迁移到目标空间，然后仅使用无标记目标输入来纠正任何残留的不匹配。所提出的方法 TCC-KS 和 weighted-TCC 提供了适应可观察不匹配的有限样本覆盖保证，证明了在 CIFAR-100-C 和 Tiny-ImageNet-C 等数据集上无需标记目标校准数据即可可靠迁移。
-
交错噪声注入可提高神经网络在干净和损坏数据上的性能
研究人员开发了一种名为交错噪声注入的新型神经网络训练技术，该技术出人意料地提高了在干净、损坏和分布外数据上的性能。该方法在训练期间交替注入噪声和使用干净数据，这有助于优化器逃离局部最小值并增强探索，而不会造成显著的数据损失。该方法包括一种梯度范数稳定技术来管理快速的损失变化，并在 ResNet 和 ViT 架构的 CIFAR-100-C 和 ImageNet-C 等数据集上显示出显著的改进。
-
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。