跳到正文
热点事件持续更新

GRIT方法提升分布外鲁棒性

1 篇报道1 个报道来源7 小时前更新

先了解这件事

AI 综述

研究人员提出名为GRIT（几何鲁棒性不变训练）的新方法，旨在解决分布外鲁棒性问题。该方法通过估计固定预训练特征中成对差异协方差的子空间，并剔除其中的不稳定成分，从而从有限且含噪的不变对数据中学习。 GRIT的核心特点是其投影操作与预测器拟合过程相互分离。这种设计使其具有较好的通用性，能够兼容经验风险最小化（ERM）或其他不同的鲁棒性训练目标，而不必完全替代原有的优化框架。 在性能评估方面，该技术在16种不同设置的对比测试中，有15种表现的的平均准确率高于使用相同成对数据的一致性惩罚方法。特别是在UrbanCars数据集上，当结合背景及共现物体变化的成对数据时，GRIT能有效提升模型在最坏组条件下的准确率。

AI 根据报道生成 · 5 小时前更新

最新进展10月19日 12:00
GRIT：从有限且含噪的不变对提升分布外鲁棒性

报道时间线

沿着报道，了解事件的不同侧面。

10月19日
  1. arXiv · ML
    GRIT：从有限且含噪的不变对提升分布外鲁棒性

    提出 GRIT（几何鲁棒性不变训练）方法，通过估计固定预训练特征中成对差异协方差的不稳定子空间并投影剔除，以从有限且含噪的不变对中学习，提升分布外（OOD）鲁棒性。 该投影与预测器拟合分离，可兼容 ERM 或其他鲁棒性目标；在 16 种设置中的 15 种里，其平均准确率高于使用相同成对数据的一致性惩罚方法。 在 UrbanCars 上结合不同背景及共现物体变化成对数据，可提升最坏组准确率。

本事件热度走势

可比范围当前
8
可比范围峰值
910月19日 15:00
近 24 小时变化
–

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。