RetroCBM 模型提升无示例类增量学习准确率
热点事件持续更新
RetroCBM 模型提升无示例类增量学习准确率
1 篇报道1 个报道来源14 小时前更新
先了解这件事
AI 综述
Yang Ji 等人在 arXiv 发表论文,提出 RetroCBM(回溯概念瓶颈模型)方法。该方法通过保留冻结视觉特征与预训练多模态模型嵌入空间间的词汇无关统计量,利用回溯回归规则监督新概念并引入图加权惩罚修正误差。实验显示,RetroCBM 在六个数据集上均优于最先进的可解释方法,平均增量准确率相对最强无示例基线提升 18.1%。
AI 根据报道生成 · 11 小时前更新
最新进展11月19日 13:00
RetroCBM:一种用于无示例类增量学习的回溯概念瓶颈模型报道时间线
沿着报道,了解事件的不同侧面。
11月19日
- arXiv · 机器人与计算机视觉RetroCBM:一种用于无示例类增量学习的回溯概念瓶颈模型
该论文提出了 RetroCBM 方法,旨在解决无示例类增量学习(EFCIL)中旧概念在新任务下被忽视的问题。该方法通过保留冻结视觉特征与预训练多模态模型嵌入空间之间的词汇无关统计量,利用回溯回归规则监督新概念,并引入图加权惩罚以修正系统误差对分类的影响。实验显示,RetroCBM 在六个数据集上均优于最先进的可解释方法,平均增量准确率相对最强无示例基线提升 18.1%。
本事件热度走势
- 可比范围当前
- 7
- 可比范围峰值
- 911月19日 16:00
- 近 24 小时变化
- –
02.557.510
16:0018:0020:0022:0011月20日02:00
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。