サインイン
インサイト - Bildklassifizierung Maschinelles Lernen
Effizientes und zertifiziertes Verfahren zur Glättung von Parametern durch Randomized Smoothing
PEFTSmoothing ermöglicht es, große Basismodelle effizient und effektiv an die durch Gaußsches Rauschen veränderte Datenverteilung anzupassen, um eine zertifizierte Robustheit gegen Adversarial Attacks zu erreichen.
Ein lauter Elefant im Raum: Ist Ihr Detektor für Verteilungsabweichungen robust gegenüber Labelrauschen?
Selbst bei geringem Labelrauschen in den Trainingsdaten stellen bestehende Out-of-Distribution-Detektoren eine Herausforderung dar, da sie Fehler bei der Klassifikation nicht von tatsächlichen Out-of-Distribution-Samples unterscheiden können.
Effiziente Nutzung von Vortrainierten Modellen für Bildklassifizierung mit Wenigen Beispielen
Eine effektive probabilistische Modellensemble-Methode basierend auf Gaußprozessen, die Wissen aus verschiedenen vortrainierten Modellen integriert, um die Leistung bei der Bildklassifizierung mit wenigen Beispielen zu verbessern.
