Увязка задач: простая прексия для практических слияний моделей по различным задачам видения

arXiv:2604.12935v3 Annuales Type: заменить резюме: эффективное объединение нескольких моделей, усовершенствованных для различных задач, но вытекающих из одной и той же заранее подготовленной базовой модели, представляет большой практический интерес. Несмотря на обширную предыдущую работу, большинство оценок слияния моделей в компьютерном виде ограничиваются классификацией изображений с использованием CLIP, где различные классификационные наборы данных определяют разные задачи. В этой работе наша цель состоит в том, чтобы сделать слияние моделей более практичным и продемонстрировать их актуальность для сложных сценариев, выходящих за рамки этого конкретного контекста. В большинстве сценариев зрения различные задачи зависят от поддающихся обучению и обычно разнородных декодаторов. В отличие от предыдущих исследований с замороженными декодерами, в рамках которых можно сразу же оценить объединенные модели, нетривиальные затраты на обучение декодерам делают выбор гиперпараметров на основе показателей ниже по течению практически невозможным. Для решения этой проблемы мы введем опосредованное распределение задач и покажем, как оно может быть использовано для ускорения выбора гиперпараметров с помощью заказов магнита.