Core Concepts
事前学習済み3D点群モデルのファインチューニング時の特徴ロバスト性を向上させる手法を提案する。
Abstract
本論文は、事前学習済み3D点群モデルのファインチューニング時の特徴ロバスト性を向上させる手法を提案している。
現在のファインチューニング手法には限界があり、特徴ロバスト性と下流タスクの性能のバランスを取ることが難しい。
提案手法のWeight-Space Ensembles for Fine-Tuning then Linear Probing (WiSE-FT-LP)は、事前学習モデルとファインチューニングモデルの重み空間を統合し、その後にLinear Probingを行うことで、分布シフトに対する下流タスクの性能を大幅に向上させつつ、元の性能も維持する。
実験では、代表的な3D点群事前学習モデルにWiSE-FT-LPを適用し、モデルパラメータの品質と下流タスクの性能劣化を評価した。結果、WiSE-FT-LPが下流タスクの性能とモデル特徴のロバスト性のバランスを取れることを示した。
Stats
事前学習モデルと完全ファインチューニングモデルの下流タスクの精度は86.43%と86.99%
事前学習モデルと完全ファインチューニングモデルのバックボーンネットワークのロバスト性(線形SVMの精度)は89.59%と90.68%
WiSE-FT-LPでは、下流タスクの精度を86.90%~90.02%に、バックボーンネットワークのロバスト性を89.71%~91.29%に向上させることができた
Quotes
"現在のファインチューニング手法には限界があり、特徴ロバスト性と下流タスクの性能のバランスを取ることが難しい。"
"提案手法のWiSE-FT-LPは、事前学習モデルとファインチューニングモデルの重み空間を統合し、その後にLinear Probingを行うことで、分布シフトに対する下流タスクの性能を大幅に向上させつつ、元の性能も維持する。"