标签
This paper theoretically and empirically studies the relationship between counterfactual fairness (CF) and group fairness (GF) in image classification, introducing new CF evaluation datasets (CelebA-CF and LFW-CF). It finds that CF does not imply GF in images due to latent attributes correlated with sensitive attributes, and proposes Counterfactual Knowledge Distillation (CKD) to mitigate this.
本文介绍了一项实证研究，比较不同神经架构（MLPs、CNNs、RNNs、预训练transformer）在图像和文本领域的时间分布偏移下的性能退化，发现利用局部特征的模型退化最快，而预训练编码器的漂移较为缓慢。
本文提出了一种基于可扩展反向传播的算法，用于训练在热力学Ising硬件上运行的深度卷积网络，在CIFAR-10上达到94.9%的准确率，在CIFAR-100上达到76.0%的准确率，同时分析了推理成本与准确率之间的权衡。
一个用于构建和实验视觉变换器（ViT）模型的Rust crate，提供类型化配置、可重用结构体以及可运行的示例，适用于研究和生产环境。
本文提出TONIC，一种面向任务无线系统的以令牌为中心的语义通信框架，该框架为令牌分配具效用感知的不等错误保护，并使用基于Transformer的补全模型进行置信度感知门控，在图像分类任务上优于基线方法。
本文表明，交叉熵和监督对比学习都是超球面上的原型学习形式，并提出了归一化损失函数（NTCE和NONL），这些损失函数通过设计实现Neural Collapse，性能优于标准方法。
本文通过验证具有相同标签的图像之间的环路是否可以由保持标签不变的曲面填充，实证研究了图像分类器的决策区域是否为单连通区域。
一份全面的调查论文，审视图像分类到高级和抽象类别的任务，通过对常识语义、情感语义、美学语义和解释语义的多学科分析，澄清了计算机视觉中高级语义的隐性理解。该论文指出了抽象概念图像分类中存在的持久挑战，强调了混合人工智能系统在处理复杂视觉推理任务中的重要性。
# 不同扰动类型之间对抗鲁棒性的迁移 来源: [https://openai.com/index/transfer-of-adversarial-robustness-between-perturbation-types/](https://openai.com/index/transfer-of-adversarial-robustness-between-perturbation-types/) OpenAI## 摘要 我们研究深度神经网络在不同扰动类型之间的对抗鲁棒性迁移。虽然大多数关于对抗样本的工作专注于L∞L\_∞和L2L\_2有界扰动，但这些并不能捕捉所有t