COOD: Kombinierte Out-of-Distribution-Erkennung mit mehreren Maßnahmen für Anomalie- und neuartige Klassenerkennung in groß angelegter hierarchischer Klassifizierung
Ein kombiniertes Maß für Out-of-Distribution (OOD) übertrifft einzelne Maßnahmen signifikant und die Diskrepanz zwischen linearen und kNN-Vorhersagen ist ein wichtiger neuer Indikator für die Erkennung neuer Klassen.
COOD: Kombinierte Out-of-Distribution-Erkennung mit mehreren Maßnahmen für Anomalie- und neuartige Klassenerkennung in groß angelegter hierarchischer Klassifizierung
Die Kombination verschiedener Out-of-Distribution-Maßnahmen übertrifft einzelne Maßnahmen signifikant und ist entscheidend für die Erkennung von Anomalien und neuartigen Klassen.
Verteilungsgenerative Augmentation für faire Klassifizierung von Gesichtsmerkmalen
Ein neuartiges, auf Generationen basierendes Zwei-Stufen-Framework zur Schulung eines fairen Modells für Gesichtsmerkmalsklassifizierung auf voreingenommenen Daten.
Effizientes Datenschutz-Feintuning großer Sprachmodelle durch Flachheit
Die Flachheit des Verlustlandschaftsmodells spielt eine entscheidende Rolle beim Datenschutz und der Leistungsoptimierung von Differential Privacy (DP)-trainierten Modellen.
X-Shot: Ein vereinigtes System zur gleichzeitigen Bewältigung von häufigem, Few-shot und Zero-shot Lernen in der Klassifizierung
X-Shot stellt eine neue Herausforderung dar, die auf offener Domänengeneralisierung basiert und ein System erfordert, das vielfältige Label-Szenarien bewältigen kann.
© 2024 by Linnk AI