论文页面 - 基于信息瓶颈的训练自适应卷积稀疏编码实现鲁棒视觉表征

来源：https://huggingface.co/papers/2609.19122

摘要

视觉信号需要既紧凑又足够充分的表征，以实现稳健的下游预测。卷积稀疏编码（CSC）提供了一种明确的机制来抑制冗余分量并保留信号内容，但其稀疏性系数通常是固定且需手动选择的。我们提出了一种训练自适应卷积稀疏编码框架，用于鲁棒的视觉信号表征。具体而言，我们利用快速迭代收缩阈值算法（FISTA）展开CSC优化过程，并将稀疏性系数视为可微变量，与网络参数联合学习。从信息瓶颈的角度来看，该系数控制着信息保留与压缩之间的权衡：稀疏项促进紧凑表征，而重建项与任务损失共同保留与任务相关的信号内容。我们进一步引入了一种无标签的后训练策略，在固定主网络参数的情况下，调整针对损坏输入的压缩强度。在CIFAR和ImageNet上的实验表明，该方法在保持干净数据识别竞争力的同时，在各种输入扰动下显著提升了鲁棒性。

查看arXiv页面 (https://arxiv.org/abs/2609.19122) 查看PDF (https://arxiv.org/pdf/2609.19122) GitHub 0 (https://github.com/mason-ching/TA-CSC) 添加到收藏集 (https://huggingface.co/login?next=%2Fpapers%2F2609.19122)

通过您的代理获取此论文：

hf papers read 2609\.19122

没有最新CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型 0

无模型链接此论文

在模型README.md中引用arxiv.org/abs/2609.19122，以从本页面链接该模型。

引用此论文的数据集 0

无数据集链接此论文

在数据集README.md中引用arxiv.org/abs/2609.19122，以从本页面链接该数据集。

引用此论文的Space 0

无Space链接此论文

在Space README.md中引用arxiv.org/abs/2609.19122，以从本页面链接该Space。

包含此论文的收藏集 0

无收藏集包含此论文

将此论文添加到收藏集 (https://huggingface.co/new-collection) 以从本页面链接它。