Tag · 3 篇

任务向量

分布医学影像与生物视觉1鲁棒性与安全1高效模型与推理加速1

Sparse Task Vector Mixup with Hypernetworks for Efficient Knowledge Transfer in Whole-Slide Image Prognosis

提出基于任务向量混合与超网络稀疏聚合的模型合并方案，可高效地将多个源域模型的知识迁移到目标域模型，无需联合训练或多模型推理，为医学影像中的跨癌种知识迁移提供了可复用的技术路径。

GDFA: Geometry-Driven Federated Unlearning with Directional Task Vector Alignment

把损失景观几何（平坦极小值）作为提升遗忘鲁棒性的手段，并通过对任务向量做方向一致性过滤来隔离共享知识——这套「平坦化 + 方向对齐的任务向量」思路可迁移到视觉模型的版权数据删除、概念擦除与个性化模型去身份化等场景。

DuetMerging: Synergizing Dynamic and Static Strategies for Mitigating Task Interference in Model Merging

对需要把多个视觉专家模型（如不同域/任务的检测、分割模型）合并成单一多任务网络的研究者，提供了一套可复用的合并流程：先用 Tucker 分解在共享核心张量上构建统一专家池，再用任务特定神经元激活模式生成掩码保留残差关键信息，可直接替换 TIES/DARE 等任务向量合并步骤。