标签
SUFLECA是一个弱监督框架，用于零样本CAD到图像对齐，通过从预训练视觉表示中扩大基于几何的特征学习，在ScanNet25k上实现了最先进的准确率。
本文介绍了ODIN，一种新颖的自编码器架构，它强制潜在维度正交并按照重要性排序，在全非线性条件下恢复类似PCA的可解释性。该方法将几何约束集成到训练目标中，具有理论依据，并在合成数据集和真实数据集上进行了实证验证。
本文从理论上证明，在群组合任务上训练的两层神经网络可以学习谱表示，其中神经元收敛到不可约表示并实现旋转秩一对齐，为特征学习提供了表示论的解释。
本文介绍了GOEN，一种结合多尺度特征、L2归一化和马氏距离的OOD检测流水线，并发现CenterLoss正则化虽然提高了分类准确率，但实际上会降低OOD性能。
本文介绍了 AGOP-Weighted，这是一种事后归因方法，它将每个样本的梯度乘以训练分布先验，以抑制噪声并突出重要像素，并在合成和逼真的基准测试中展示了相较于现有方法的显著改进。
这项实证研究验证了关于两层神经网络在 Grokking 现象期间的特征排斥和谱锁定理论发现，展示了激活函数如何影响从记忆到泛化的过渡。