Tag · 4 篇

神经坍缩

分布鲁棒性与安全2自监督与表征学习1视觉语言模型1

Your Dissimilarities Define You: Complementary Learning Exploiting Class Diversities

把「非目标类」整体建模为一个 opposite-class 并对其激活分布做显式约束，可作为分类头/损失层的即插即用正则项，配合神经坍缩分析改善特征几何，适用于开放集、少样本与域泛化的视觉分类骨干训练。

POUR: A Provably Optimal Method for Unlearning Representation via Neural Collapse

把机器遗忘从分类器层推进到表征层，用 Neural Collapse 下 simplex ETF 的正交投影给出闭式最优遗忘算子，并提供蒸馏式特征级变体；做视觉模型隐私删除或概念擦除时可直接复用该投影算子与 RUS 指标来评估表征是否真正被遗忘。

Neural Collapse in Test-Time Adaptation

把神经坍缩推广到样本级（NC3+），指出域偏移下性能下降源于样本级特征-分类器错位，并据此设计混合目标（几何邻近+预测置信度）来重对齐特征与分类器权重，可直接嵌入现有 TTA 流程（如 Tent）提升 OOD 鲁棒性。

Cluster-Aware Neural Collapse Prompt Tuning for Long-Tailed Generalization of Vision-Language Models

把神经坍缩的 ETF 几何约束引入提示词微调，用聚类级局部约束替代全局约束，为在类不平衡数据上微调 VLM 时保住尾类判别力提供了一个可复用的损失设计思路。