研究提出编码器适配增量价值评估框架

Zexing Zhang 等研究者提出并验证了一套受控评估框架，用于判断类别不平衡校正后，继续进行编码器适配能否带来额外性能收益。研究发现，在低样本支持条件下，编码器适配是否有效，取决于表征分配的不均衡程度，而不只是类别样本数量；当表征分配更加不均衡时，适配才能带来具有实际意义的性能提升，同时保持高频类别的准确率。 该框架从同一个完成类别校正的模型出发，对比仅继续训练分类器与同时更新整个网络的结果，以分离编码器更新的增量价值。研究按预设的1个百分点操作容差和同时置信界区分两种情况，并称这一规律在不同分类器校正方法、表征目标、归一化与数据增强设置，以及ImageNet规模评估中均持续存在。这意味着，基准测试不能只依据类别样本数量判断是否值得适配编码器。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。