ImageNet-Sketch
PulseAugur coverage of ImageNet-Sketch — every cluster mentioning ImageNet-Sketch 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…
-
研究质疑分布偏移下零样本视觉语言模型的保形预测安全性
一篇新发表在arXiv上的研究论文质疑了在数据分布偏移条件下部署的零样本视觉语言模型（VLMs）的保形预测（split-conformal prediction）作为安全措施的可靠性。研究发现，虽然边际覆盖率（marginal coverage）可能保持较高水平，但类别条件尾部覆盖率（class-conditional tail coverage）可能显著下降，某些类别的覆盖率接近于零。研究测试了各种校准技术，其中目标端类别校准（ta…
-
研究发现，分裂保角预测在分布偏移下对视觉语言模型未能实现类别条件安全
一篇新论文研究了分裂保角预测作为零样本视觉语言模型（VLMs）在数据分布偏移条件下的安全层有效性。研究发现，尽管边际覆盖率可以保持较高水平，但类别条件覆盖率会显著下降，某些类别的覆盖率甚至在整体覆盖率约为86%时接近于零。测试了各种校准技术，其中目标侧类别校准显示出最大潜力，但需要大量的标记数据。研究得出结论，边际保角覆盖率应被视为平均可靠性指标，而不是特定类别的确定性安全保证。
-
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。