论文页面 - MC-RFM: 基于混合曲率黎曼流匹配的几何感知少样本自适应

来源：https://huggingface.co/papers/2605.08557

摘要

一种新颖的黎曼流匹配框架，用于少样本自适应，该框架在结合双曲空间和欧几里得空间的混合曲率流形上对特征位移进行建模，在多个基准测试中优于现有方法。

预训练视觉模型的参数高效自适应通常通过线性探测、提示、低秩更新或轻量级残差模块进行。虽然这些方法有效，但它们通常将自适应视为冻结表示的离散欧几里得扰动，而没有显式建模任务引起的特征位移的几何结构。我们提出 MC-RFM，一种用于冻结视觉主干的少样本自适应的混合曲率黎曼流匹配框架。其核心思想是在一个结合了双曲因子（捕捉层次敏感的语义结构）和欧几里得因子（保留局部判别性的视觉变化）的乘积流形上表示自适应特征。自适应被形式化为从冻结特征到支持集原型的任务条件连续传输，通过流匹配目标进行训练，并与混合原型-线性分类器耦合。该方法轻量级、与主干无关，且完全在缓存的冻结特征上运行。在七个视觉识别基准、五个冻结主干以及 1/4/16 样本设置下，MC-RFM 在大多数评估设置中表现最佳，在 Transformer 主干和细粒度数据集上增益最为显著。消融实验表明，混合曲率头部、任务条件化、自适应分支门控、原型收缩和判别性监督均对性能有所贡献。这些结果表明，少样本自适应不仅受益于决定更新哪些参数，还受益于通过匹配下游任务结构的几何形状来建模表示应如何移动。

查看 arXiv 页面 (https://arxiv.org/abs/2605.08557)查看 PDF (https://arxiv.org/pdf/2605.08557)GitHub (https://github.com/salimkhazem/MC-RFM)添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2605.08557)

在您的智能体中获取此论文：

hf papers read 2605.08557

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

引用此论文的模型0

没有模型链接到此论文

请在模型 README.md 中引用 arxiv.org/abs/2605.08557 以从此页面链接。

引用此论文的数据集0

没有数据集链接到此论文

请在数据集 README.md 中引用 arxiv.org/abs/2605.08557 以从此页面链接。

引用此论文的空间0

没有空间链接到此论文

请在空间 README.md 中引用 arxiv.org/abs/2605.08557 以从此页面链接。

包含此论文的收藏集0

没有收藏集包含此论文

请将此论文添加到一个收藏集 (https://huggingface.co/new-collection) 以从此页面链接。