Imagenet C
PulseAugur coverage of Imagenet C — every cluster mentioning Imagenet C across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新AI方法提升模型在变化环境中的鲁棒性
研究人员开发了新的无监督域适应（UDA）方法，以提高AI模型在动态环境中的鲁棒性。一种方法SFT+RL，使用监督微调和强化学习以及CLIP的视觉编码器，以提高在基准数据集上的准确性和对抗鲁棒性。另一种方法DIRA-SS，提供了一种使用未标记目标域样本的在线域适应的自监督扩展，在操作过程中无需分类标签即可适应分类器。
-
新型AI模型修复损坏图像，提升多模态理解能力
研究人员开发了Robust-U1，一种增强多模态模型对损坏图像理解能力的新方法。Robust-U1不依赖于纯粹的文本分析或特征对齐，而是生成图像的修复版本，然后同时使用原始图像和修复后的图像进行分析。该方法在ICML 2026上的一篇论文中进行了详细介绍，包括监督图像修复训练、带有双视觉奖励的强化学习以及在两张图像上的联合推理。实验表明，通过提供因压缩、噪声或光线不足等退化而丢失的关键视觉证据，该技术显著提高了性能。
-
DOME方法学习域变量以改进测试时自适应
研究人员开发了DOME，一种新的测试时自适应方法，该方法从稀疏监督中显式地建模域变量。与先前推断单一全局域分布的方法不同，DOME利用视觉-语言预训练提取密集表示，并将域参数化为分布变量。这种方法包括一个动量更新的稀疏域库，使得即使是基本的自适应策略也能在各种基准测试中取得最先进的性能，这表明显式的域表示是稳健自适应的关键。
-
Self-Soupervision 可从无标签数据中生成模型汤
研究人员开发了一种名为 Self-Soupervision 的新方法，该方法允许使用自监督学习 (SSL) 而非传统的监督学习来创建“模型汤”。这项技术能够组合来自多个模型的参数，即使是那些使用不同 SSL 算法或超参数训练的模型，也能提高预测准确性和鲁棒性。实验表明，Self-Souping 提高了在 ImageNet-C 和 LAION-C 等损坏数据集上的鲁棒性，并成功创建了性能优于单个模型的、由各种 SSL 成分组成的模型汤。
-
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。
-
新方法对抗医学影像AI中的预测偏差
研究人员发现了一种测试时自适应方法中的关键失效模式，称为模型坍塌，在这种模式下，类别簇会合并并导致预测偏差。他们提出了一种新的目标函数——分布偏移偏差减少（DSBR），通过确保损失函数中各类别贡献的平衡来抵消这一问题。在医学影像数据集和ImageNet-C上的实验表明，DSBR能有效稳定自适应过程，防止模型坍塌，并取得具有竞争力或更优的性能。
-
新研究推进机器学习中的差分隐私以适应和测试
研究人员正在开发新的方法来确保机器学习任务中的差分隐私，特别是在假设检验和测试时自适应方面。一篇论文介绍了流行的测试时自适应技术的差分隐私版本，表明它们可以在保护用户数据的同时保持准确性。另一项研究侧重于使用 e-值的差分隐私假设检验的最优率，提供了与理论界限相匹配并优于现有方法的算法。第三篇论文在高斯差分隐私下提出了近乎最优的简单假设和似然比假设的隐私检验，即使在数据量有限和隐私预算有限的情况下也表现出强大的性能。
-
新攻击框架以理论保证为目标，攻击AI模型
研究人员开发了一个新的AI模型对抗性攻击框架，专注于仅能访问最高预测的硬标签黑盒场景。他们的方法引入了一种新颖的零查询初始化策略和一种模式驱动优化算法，该算法基于将现有方法与梯度符号近似联系起来的理论分析。与各种数据集和模型类型（包括商业API和CLIP模型）上的最先进攻击相比，该方法展示了更高的效率和成功率，同时还显示出对数据损坏和分割等专业任务的鲁棒性。
-
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。
-
新的损失函数可加速监督学习中的神经坍塌
研究人员引入了新的方法NTCE和NONL，通过更有效地实现神经坍塌（NC）来改进监督分类。这些技术解决了现有范式（如交叉熵和监督对比学习）的局限性。通过将监督学习视为超球体上的原型学习，新的损失函数能够更快地收敛到NC，并在迁移学习和鲁棒性方面取得显著改进，尤其是在类别不平衡的情况下。
-
MoASE++ 通过专家混合模型推进持续测试时适应
研究人员开发了 MoASE++，这是一种用于计算机视觉任务中持续测试时适应的新方法。该方法利用专家混合架构来解耦与领域无关的结构特征和领域特定的纹理信息。MoASE++ 结合了领域自适应的按策略蒸馏，以提高鲁棒性并防止在非平稳环境中发生灾难性遗忘，在分类和语义分割基准测试中表现出最先进的性能。
-
新框架使用VLM蒸馏实现稳定的持续模型适应
研究人员引入了测试时蒸馏（TTD），这是一种新颖的方法，用于解决深度神经网络在部署过程中由于分布变化而导致的性能下降问题。现有方法经常会放大预测错误，导致模型漂移。TTD将适应重构为蒸馏过程，使用一个固定的视觉语言模型（VLM）作为外部指导信号。为了克服“通才陷阱”和“熵偏差”等挑战，该团队开发了CoDiRe框架，该框架构建了一个鲁棒的混合教师模型，并使用最优传输进行校正，从而实现稳定的适应。
-
新的潜在去噪方法增强了大型多模态模型中的视觉对齐
研究人员开发了一种新的潜在去噪框架，以增强大型多模态模型（LMM）中的视觉对齐。该方法通过破坏然后去噪投影的视觉令牌来引入一种视觉监督形式，迫使模型从中间层恢复干净的特征。该方法在各种基准测试中提高了视觉理解和推理能力，包括组合鲁棒性，并且在常见的图像损坏下表现出更少的性能下降，而不会增加推理开销。