Компьютерная наука > Компютерное видение и распознавание шаблона [представлено 26 октября 2026 года] Название: Возвращение моделей Блэк-Бокс Пойнс по сдвигам через Derivative-Free Optimization View PDF HTML (экспериментальное) резюме: модели облачных точек все чаще используются только в интерфейсах черного ящика. В соответствии с этой моделью обеспечения доступа ротация времени проведения испытаний вне системы распределения учебной подготовки может привести к существенному снижению эффективности работы. Хотя существующие меры по смягчению последствий, такие как равномерная переподготовка и адаптация на основе градиента, являются эффективными, они невозможны без доступа к весам или уклонам модели. Для устранения этого ограничения мы предлагаем CanDO, метод канонизации в испытательный период, который восстанавливает утраченные результаты с использованием только форвардных запросов. В частности, CanDO ищет входные преобразования, которые позволяют максимально повысить доверие к модели и использовать без производной оптимизацию для проведения этого поиска без градиентов. Мы также определили три условия для успешного восстановления: разрыв в уровне подготовки кадров, аккуратная замена доверия и глобальный поиск многообразной цели. В рамках многочисленных архитектур и контрольных показателей CanDO восстанавливает 76% разрыва в оракуле под воздействием азимутальной смутации и 51% при произвольной ротации SO(3) для сегментации объектов. Эти результаты свидетельствуют о том, что…
Возвращение моделей туловища из Black-Box Point Models из Посевных Смещений через деривативно-без производную оптимизацию
arXiv: 261 030,34850v1 Annualce Type: New Habriatory: Point облачные модели все чаще внедряются через интерфейсы только с чёрными ящиками. В соответствии с этой моделью обеспечения доступа ротация времени проведения испытаний вне системы распределения учебной подготовки может привести к существенному снижению эффективности работы. Хотя существующие меры по смягчению последствий, такие как равномерная переподготовка и адаптация на основе градиента, являются эффективными, они невозможны без доступа к весам или уклонам модели. Для устранения этого ограничения мы предлагаем CanDO, метод канонизации в испытательный период, который восстанавливает утраченные результаты с использованием только форвардных запросов. В частности, CanDO ищет входные преобразования, которые позволяют максимально повысить доверие к модели и использовать без производной оптимизацию для проведения этого поиска без градиентов. Мы также определили три условия для успешного восстановления: разрыв в уровне подготовки кадров, аккуратная замена доверия и глобальный поиск многообразной цели. В рамках многочисленных архитектур и контрольных показателей КАНДО восполняет 76% разрыва в оракуле
