Tag · 3 篇
梯度冲突
分布 自监督与表征学习2鲁棒性与安全1
01 02 03
TaskForce：面向多任务优化的协作式多智能体强化学习
TaskForce: Cooperative Multi-agent Reinforcement Learning for Multi-task Optimization
TaskForce 把多任务损失加权建模为协作式多智能体强化学习问题，智能体以梯度 Gram 矩阵和损失值为观测输出各任务的平衡权重；做多任务视觉模型（如 NYU-v2 深度+法向、Cityscapes 检测+分割）时可直接复用该梯度级冲突消解与动态加权机制。
以对比信号引导基于扩散的重建以获得均衡的视觉表征
Guiding Diffusion-based Reconstruction with Contrastive Signals for Balanced Visual Representation
把对比信号注入以 CLIP 视觉 token 为条件的扩散重建过程，并用重建图像而非原图产生对比监督，从而在统一目标下同时提升判别性与细节感知能力；这一「重建+对比」联合优化思路可直接迁移到任何需要增强视觉编码器表征的 VLM 流程中。
通过服务器端梯度冲突缓解与表达实现计算与通信高效的联邦遗忘
Computation and Communication Efficient Federated Unlearning via On-server Gradient Conflict Mitigation and Expression
为视觉模型在联邦场景下提供可撤销数据贡献的机制：通过服务器端梯度冲突缓解与特征编码实现遗忘，视觉研究者可将其用于隐私合规的分布式训练（如医疗影像联邦模型）中移除特定客户端数据的影响。