训练自适应卷积稀疏编码：稀疏系数可微化，扰动下鲁棒性大增
SUAT-SZ · hf · 2026-09-21
论文提出训练自适应的卷积稀疏编码（CSC）框架，用于鲁棒视觉表示。核心做法：用 FISTA 展开 CSC 优化，把通常手工固定的稀疏系数变成可与网络参数联合学习的可微变量；从信息瓶颈视角，稀疏项促进紧凑表示，重建项与任务损失保留任务相关信息。另引入无标签后训练策略，在主网络参数固定下为受损输入调整压缩强度。在 CIFAR 和 ImageNet 上取得有竞争力的干净数据识别性能，并在多种输入扰动下显著提升鲁棒性。
「研究」频道最新
- 人机协作破解社会选择理论 30 年公开难题:核心稳定性委员会必存在 — xuanalogue · 2026-09-21
- 斯坦福与 Arc Institute 用 AI 设计出 16 个可杀耐药菌的噬菌体 — emmanuelvivier · 2026-09-21
- EvalSeal 开源:LLM 评测可信度回执,20 例边界判定 5 例翻车 — Fit_Fortune953 · 2026-09-21
- Program-as-Weights:0.6B 模型本地性能媲美 32B 提示,内存仅 1/50 — yuntiandeng · 2026-09-21
- 深度学习不确定性量化系统综述:安全关键场景的关键短板 — burkov · 2026-09-21
- PAW 新玩法:描述任务即可编译出本地可复用的 CPU 函数 — yuntiandeng · 2026-09-21