ImageNet-A
PulseAugur coverage of ImageNet-A — every cluster mentioning ImageNet-A across labs, papers, and developer communities, ranked by signal.
-
ZOTTA 框架使用梯度无关优化进行测试时间自适应
研究人员开发了 ZOTTA，一个新颖的测试时间自适应 (TTA) 框架，它利用梯度无关零阶优化 (ZOO) 来增强模型在分布变化下的鲁棒性。与依赖计算成本高昂的反向传播的传统方法不同，ZOTTA 仅通过前向传播运行，使其兼容不可微分模型并适用于边缘设备。该框架包含分布鲁棒层选择以降低优化维度，以及空间特征聚合对齐以稳定 ZOO 过程。实验证明了 ZOTTA 的有效性，表明它在内存使用量显著减少且在 ImageNet-C 等数据集上提高…
-
SPARCL方法解决了解析持续学习中的谱干扰问题
研究人员推出了一种新颖的解析持续学习方法SPARCL，该方法解决了现有方法中存在的谱干扰问题。与容易因共享谱分量而遗忘旧类别的先前方法不同，SPARCL对自相关矩阵进行划分。这使得它能够在高能核心子空间中冻结旧类别的分类器分量，而仅更新残差块。在CIFAR-100和ImageNet-R等数据集上的实验表明，SPARCL显著提高了性能，缩小了经典解析学习器与最先进的表示匹配器之间的差距。
-
AI模型聚焦稳定性和适应性以应对真实世界部署
在CVPR 2026上展示的最新研究表明，AI模型开发正从纯粹的能力扩展转向“能力管理”。这包括确保模型在适应新数据和动态环境的同时保留旧知识，这一趋势在类增量学习和3D数字人建模等领域尤为明显。研究重点关注模型如何在不发生灾难性遗忘的情况下持续学习，从真实世界数据中更好地泛化，以及整合多模态以实现统一理解。
-
新研究提升了公平性和效率的共形预测
研究人员正在改进共形预测（CP）技术，以提高机器学习中的不确定性量化和公平性。FedCF等新方法旨在将CP扩展到联邦学习场景，实现跨不同子群体的公平性审计。其他进展包括用于时间序列中稳健顺序CP的DistMatch，用于高效基于核的条件CP的SpeedCP，以及用于预测集解耦优化的DCO。此外，正在开发ERT等新的诊断方法，以更好地评估条件覆盖率，并且研究正在探索超越程序性保证的实质性公平性。