CIFAR-100-LT
PulseAugur coverage of CIFAR-100-LT — every cluster mentioning CIFAR-100-LT across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的DirMixE方法增强了AI模型中的长尾识别能力
研究人员推出了一种新颖的混合专家（MoE）策略DirMixE，旨在提高对长尾数据集的识别能力，这些数据集的测试标签分布未知且不平衡。该方法通过将专家分配给不同的Dirichlet元分布来解决标签分布的全局和局部变异。该论文还提出了一个通用的潜在技能微调（LSF）框架，用于基础模型的参数高效微调，并推导了泛化误差界限的理论。
-
CLEAR框架增强长尾分类的可靠性
研究人员推出了一种新颖的集成框架CLEAR，旨在提高长尾分类任务的可靠性。该方法使用结构化采样生成多样化的专家，然后为每个专家估计一个类别的信任分数。在推理过程中，CLEAR通过强调不同类别使用不同的专家来组合专家预测，从而在CIFAR-100-LT、ImageNet-LT和Places-LT等基准数据集上实现了具有竞争力的整体准确性和增强的少样本性能。
-
新的BS-cRT方法提高了长尾识别的准确性
研究人员开发了一种名为BS-cRT的新型长尾识别基线方法，旨在通过在初始训练后仅重新训练分类器来提高准确性。该两阶段过程包括使用平衡Softmax训练骨干网络和余弦分类器，然后冻结骨干网络，仅在平衡的样本批次上更新分类器。BS-cRT方法在CIFAR-100-LT、CIFAR-10-LT、ImageNet-LT和Places-LT等各种数据集上持续提高少样本准确性，尤其是在较高的不平衡因子下显示出显著的提升。
-
新研究推动扩散模型在图像编辑、数据增强和遗忘方面的进展
研究人员正在探索扩散模型的先进技术，重点是改进图像编辑、数据增强和遗忘能力。新方法旨在通过改进ODE求解器和矢量场平滑来提高图像编辑的稳定性和保真度。对于数据增强，正在开发不确定性指导策略，通过关注信息区域来改进语义分割模型。此外，扩散模型遗忘方面的进展正在取得，研究调查了选择性遗忘和使用稀疏自编码器将概念检测与干预分离，旨在获得更清晰的结果并更好地保留模型质量。
-
新研究解决深度学习偏差、训练动态和可靠性问题
研究人员正在探索新的理论框架和实用方法来改进深度学习模型。一篇论文介绍了DISCO，一种通过估计条件距离相关性来减轻数据集偏差的技术，在各种数据集上的表现优于现有方法。另一项研究将神经网络训练视为一个Hamilton-Jacobi问题，将其与热带代数和偏微分方程联系起来，并提供了对泛化和鲁棒性的见解。此外，新的研究挑战了校准本身就能改善早期退出神经网络的假设，提出了一种考虑预测正确性和计算成本的替代方法。最后，研究正在调查深度网络在训…
-
新方法解决长尾增量学习中的灾难性遗忘问题
研究人员开发了一种新的鲁棒长尾增量学习方法，解决了不平衡数据集的顺序学习挑战。所提出的技术包括梯度一致性正则化以稳定训练，以及动态加权蒸馏损失以平衡知识保留和获取。在 CIFAR-100-LT 和 ImageNetSubset-LT 等基准测试上的实验显示，准确率提高了高达 5.0%，尤其是在具有挑战性的学习场景中。