新研究：交错噪声注入提升模型鲁棒性
serrjoa · x · 2026-07-18
一篇新论文指出，在模型优化过程中采用交错噪声注入（Interleaving noise injection）技术，不仅能提升模型应对数据损坏和分布偏移的鲁棒性，还出人意料地提高了干净数据的准确率。这是以往其他课程学习策略中未曾观察到的现象。
「研究」频道最新
- EMNLP 论文：让 LLM 换个问法，「42」变「3」但蝴蝶仍是帝王蝶 — radamihalcea · 2026-10-27
- Datology Curation Studio 线上深潜：少于 20% 算力匹配最强基线 — josh_wills · 2026-10-27
- KANLab 开源：浏览器里可视化玩转 KAN 网络 — Lukas Niehaus · 2026-10-27
- CMU 提出 LLM2Cert：LLM 生成证书，SMT/Lean 自动验证 — CarnegieMellonU · 2026-10-27
- NVIDIA 开源 FLORA：机器人数据引擎，成本仅 GPT-6 Astra 的 1/125 — nvidia · 2026-10-27
- RSNA 2026 深度学习实验室回归:芝加哥四天八节动手 AI 课 — PRouzrokh · 2026-10-27