model regularization | BriefGPT

关键词model regularization

搜索结果 - 12

非先验条件下，野外未标记数据的持续学习
基于固定的单头结构，通过消除任务标识选择任务特定的输出头，结合基于正则化的策略和辅助无标签数据集来提高模型一致性，以及可靠的样本选择策略，我们的无先验连续学习（PFCL）方法在三种学习情景中显著减少遗忘现象，且与有限个先前样本重新训练的方法
PDF9 months ago
SEE-OoD: 增强型外数据检测的监督式探索
利用 Wasserstein 分数的生成对抗训练模型，结合预测不确定性和模型正则化，提高了异常样本检测的准确性，并在计算机视觉数据集上表现出卓越的泛化能力。
PDF9 months ago
鲁棒皮肤病变分析的测试时间选择
通过利用人 - 机循环方法中的正（如病变区域）和负（如图像伪影）关键点，我们提出了一种名为 TTS（测试时选择）的方法，该方法可以在不重新训练的情况下有效地使模型避免利用伪影相关的关联，并具有较少的标注需求，从而解决了皮肤病变分析模型受到图
PDFa year ago
ACL为什么零 - shot 跨语言生成会失败？原因和解决方案
本研究针对零样本跨语言转移中生成任务的中文输出质量不高、甚至有时会输出错误语言的问题，提出了一种用于正则化模型的简单方法和一种用于在不需要目标语言开发集的情况下选择模型检查点的方法，实验证明该方法使得 ROUGE-L 分数平均提高 1.5，
PDFa year ago
强化经验重放的连续学习
本研究提出了一种基于强化经验回放的连续学习方法，通过使用当前训练数据模仿未来经验，以及蒸馏内存缓冲区的过去经验，来提高模型的预测一致性，从而有效保留已获得的知识。实验结果表明，我们的方法在多个图像分类数据集上优于现有方法。
PDFa year ago
P-NOC: 弱监督语义分割的对抗性 CAM 生成
本研究提出了一种基于类别的对抗擦除策略，在弱监督语义分割中实现模型的正则化和提高模型性能。经实验证明，该策略可以在 Pascal VOC 2012 和 MS COCO 2014 数据集上显著提高模型的语义分割效果。
PDFa year ago
ICLRVOS：通过虚拟异常点合成学习未知领域
VOS 是一种新的框架，用于通过自适应合成虚拟离群值，在训练期间能够有意义地规范模型的决策边界，包括在特征空间中从类条件分布进行虚拟离群值取样，同时引入一种新的未知感知训练目标，与 ID 数据和合成离群数据之间的不确定性空间进行反向塑形，V
PDF2 years ago
ICLRShapley 解释网络
本文提出使用 Shapley values 作为深度模型的潜在表示，使得 Shapley explanations 能够成为建模范式的第一等公民，从而实现了层次化解释、模型在训练期间的解释以及快速解释计算。作者证明了 ShapNets 确保
PDF3 years ago
Jo-SRC：一种对抗噪声标签的对比学习方法
该论文提出了一种名为 Jo-SRC 的噪声鲁棒方法，结合了样本选择和模型正则化，采用对抗学习的方式训练网络并引入一致性正则化，以提高模型的泛化性能。
PDF3 years ago
MetaMixUp: 使用元学习学习 MixUp 的自适应插值策略
本文提出了一种名为 MetaMixUp 的数据增强方法，该方法通过在线元学习动态学习插值策略，可用于模型正则化、半监督学习和领域自适应，实验证明 MetaMixUp 比原始的 MixUp 和其变体在半监督学习配置下效果更好。
PDF5 years ago
参数噪声注入：可训练随机化提高深度神经网络对抗性攻击稳健性
本文提出了一种 Parametric-Noise Injection (PNI) 技术，使用可训练的高斯噪声注入到神经网络的不同层中，解决 min-max 优化问题，通过对抗训练来提高网络的鲁棒性，实验表明该方法能有效提高对抗攻击下的网络鲁
PDF6 years ago
AAAI通过目标双向一致性正则化神经机器翻译
提出了一种基于 Kullback-Leibler 散度规则的神经机器翻译（NMT）正则化方法，并采用联合训练策略，将左到右和右到左 NMT 解码器改进互动方式，从而有效提高了中英文和英德翻译任务的表现。
PDF6 years ago