实体
Ismail Lamaakal
Ismail Lamaakal
PulseAugur coverage of Ismail Lamaakal — every cluster mentioning Ismail Lamaakal across labs, papers, and developer communities, ranked by signal.
总计 · 30天
0
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
0
90 天内 3
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 3 条
-
新框架SemReWrite应对视觉AI中演变的语义概念漂移
研究人员推出SemReWrite，一个旨在解决视觉基础模型中演变语义概念漂移的新颖框架。该框架选择性地更新过时的视觉-语义映射，同时保留有效知识，这对于概念本身可能发生变化的长期视觉系统至关重要。SemReWrite结合了语义差异和稀疏修订监督，以识别受影响的视觉区域，并采用低秩重写机制以及结构化记忆和过时决策的抑制。为了评估其有效性，团队还开发了EvoShift-Bench，一个包含ImageNet和iNaturalist等数据集的…
-
新框架改进了AI在概念定义演变下的学习能力
研究人员开发了一个新的增量学习框架，能够适应概念定义随时间的变化。这种由出处引导的方法将连续的概念定义编译成结构化的规则差量，从而实现更高效的更新和对模糊情况的选择性监督。该框架在名为RuleShift-Bench的基准测试上进行了测试，该基准测试涵盖了各种数据类型和概念修订类型，与完全重新标记和重新训练相比，在准确性和更新延迟方面均有显著提高。
-
新的CFQ方法提高了量化AI模型中追索的稳定性
研究人员开发了一种名为反事实忠实量化（CFQ）的新方法，以解决在提供算法追索的决策系统中模型量化所带来的问题。标准的量化会改变追索操作的有效性，需要更大的干预措施或完全失效。CFQ是一种量化感知训练技术，它联合优化量化器参数和比特分配，以在追索点保持预测的稳定性。在Adult和COMPAS等数据集上的实验表明，与以准确率为中心的基线相比，CFQ显著降低了追索的不稳定性，同时保持了可比的准确率和比特预算。