GEAR-SAM

新的GEAR-SAM方法增强了模型的泛化能力和鲁棒性

研究人员开发了一种新颖的锐度感知最小化（SAM）方法——梯度-能量自适应半径SAM（GEAR-SAM），旨在提高模型的泛化能力和鲁棒性。与基于瞬时梯度分配扰动预算的标准SAM不同，GEAR-SAM使用平方块梯度指数移动平均来在训练过程中动态调整此分配。该方法不需要Hessian-向量积或显式Fisher估计，除了标准SAM外，计算开销极小。在包括图像分类和噪声标签学习在内的各种任务上的实验表明，GEAR-SAM能带来改进的性能。