Tag · 4 篇

表征几何

分布鲁棒性与安全2高效模型与推理加速1自监督与表征学习1

Stealing Split Learning Bottom Models by Recovering Embedding Geometry

对做隐私保护视觉模型部署的人，这篇给出一个可复用的攻击探针：用对比空间+邻域图匹配来检验嵌入通道的防御是否真的抹掉了关系结构，可作为评估分割式协同推理/联邦视觉系统泄露风险的标准基线。

Stabilizing Feature Geometry in Noisy Pretrained Models for Robust Downstream Tasks

对做预训练-微调视觉模型的人，这篇给出一个可复用的诊断量 PDA 来量化噪声预训练模型的主特征子空间旋转，并用扰动一致性、方差-激活正则与特征一致性蒸馏把子空间拉回干净模型的方向，可直接用于清洗噪声数据后的模型修复或鲁棒微调。

InTrain: Intrinsic Trainability for Zero-Cost Neural Architecture Search

对做视觉骨干网络选型的人，InTrain 提供了一个无需训练即可给候选架构打分的统一代理：用激活协方差特征谱的参与率衡量表征有效维度、用逐层梯度健康度衡量深层反传稳定性，可直接嵌入 NAS 搜索循环替代昂贵的训练式评估。

FedRG: Unleashing the Representation Geometry for Federated Learning with Noisy Clients

用自监督得到的标签无关球面表征几何（vMF 混合聚类）来判别噪声样本，替代仅依赖标量损失的思路；做噪声标签、长尾或数据异构下的鲁棒训练时，可把这套「表征几何优先」的样本筛选与软标签映射机制迁移到视觉分类流水线中。