ALPINE:仅 3.5 万参数的小样本分类架构,超越 MAML 等基线
Neeraj Yadav · hf · 2026-09-23
ALPINE 提出一个超轻量(22,249–34,917 参数)的空间-关系架构,用于小样本图像分类,核心是把固定 Gabor 边缘能量引导与窗口化、内容自适应的 patch 定位器结合。
实验设置与结果(严格匹配预算:250 个元训练 episode、5 个种子、每种子 600 个评估 episode):
- 在 CIFAR-FS 和 MiniImageNet 上 5-shot 准确率超过 Prototypical Networks、Relation Networks 和 MAML,且参数少 27-53%。
- 收敛所需训练 episode 更少;零重训练即可泛化到未见过的细粒度数据集 CUB-200-2011 鸟类。
- 对 50% 遮挡和 25% 空间平移比三个基线更鲁棒。
诚实的消融发现:证伪性消融(推理时清零关系 token、完全去掉重训)显示成对关系计算虽存在但并非性能主因——真正起作用的是内容自适应 patch 定位器。作者还给出 22-35k 参数附近的真实准确率平台期,并公开全部种子级结果与 checkpoint 哈希以保证可复现。
「研究」频道最新
- TensorSharp 直读 label logits，结构化决策比 LocalJev 快 3.3 倍 — fuzhongkai · 2026-09-23
- Naproche:用受控自然语言写数学证明的证明助手 — zetalyrae · 2026-09-23
- 南京大学用 AI 从零设计超强蛋白，强度超天然 4 倍耐 150°C — MikePFrank · 2026-09-23
- 开源 GUI 智能体跨设备实测:复合任务最佳成功率仅 8% — maier_ak · 2026-09-23
- JarvisGUI 基准:跨 Android/Windows/Ubuntu 考验 GUI 智能体 — maier_ak · 2026-09-23
- 新基准 Cross-DURIAN：专测多设备 GUI 智能体跨屏协作能力 — maier_ak · 2026-09-23