Сведение к минимуму вероятности резких последствий

Компьютерная наука > Комплектное видение и распознавание моделей [представлено 13 сентября 2026 года] Название: Sparsity-Adapative Sarpness - UVE Making View PDF HTML (экспериментальное) Резюме: Депродукция глубоких нейронных сетей в реальных условиях требует как компактных, так и надежных для общих коррупции моделей. Вместе с тем при высокой степени жесткости, связанной с развертыванием, стандартные водопроводные трубопроводы часто приводят к снижению надежности коррупции и существующие подходы к подготовке кадров/схемам с высоким уровнем риска дают лишь ограниченные преимущества в плане эффективности. Мы решим этот вопрос путем введения Sparsity-Adapative Sarpness-Beaking (SA-SAM), которая получает спарсиозно зависящий от САМ/АСАМ радиус возмущения, сохраняя среднее абсолютное расстройство (доверенное значение в размере $_1 долл.) приблизительно инвариантное по мере увеличения спаргетизма. В качестве простого дополнительного варианта мы оцениваем "Magnitude-Wimited Hessian" (MH), полученного на основе анализа патологии удаления во втором порядке, придавая значение, пропорциональное $mathrm {Diag}(F)_i\i\, Δw_i>, где $\matrm {diag}(f) доллар — это диагональный эмпирический Фишер, используемый в качестве кривизны опосредованного показателя нашей реализации. В рамках CIFAR-10-C, CIRFR-100-C и ImageNet-100С наш подход позволил добиться более высокой степени коррупции по сравнению с предполагаемыми исходными показателями на уровне 80-90% при сохранении чистой точности. Кроме…