Tag · 5 篇
长尾学习
通过损失景观几何重新审视长尾学习
Reframing Long-Tailed Learning via Loss Landscape Geometry
将长尾识别中的尾部性能退化建模为持续学习中的灾难性遗忘，并利用损失景观几何（平坦极小值）来缓解；其分组知识保持与分组锐度感知模块可复用于其他存在类别不平衡或任务序列的视觉任务。
PRISM：学习用于可迁移骨架动作表示的共享基元空间
PRISM: Learning a Shared Primitive Space for Transferable Skeleton Action Representation
将动作序列表示为运动基元系数空间中的轨迹，并通过运动生成目标学习该表征，再迁移到分类与检测任务；这种以生成驱动表征学习、并支持跨任务迁移的思路，可复用于其他时序或结构化数据的表征学习。
面向长尾学习的决策边界感知生成
Decision Boundary-aware Generation for Long-tailed Learning
把扩散生成增强从「补数量」推进到「补位置」：通过生成靠近决策边界的样本缓解头尾迁移带来的潜变量非局部特征混合，可直接复用到任何长尾分类或检测的生成式数据增强流程中。
面向视觉语言模型长尾泛化的聚类感知神经坍缩提示词微调
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。
CUE：概念感知的多标签扩展以缓解长尾学习中的概念混淆
CUE: Concept-Aware Multi-Label Expansion to Mitigate Concept Confusion in Long-Tailed Learning
把单标签监督换成由 CLIP 零样本视觉线索与 LLM 类级语义线索构成的多标签概念监督，并用加权 Logit Adjustment 辅助损失注入，可直接迁移到任何长尾识别/分类微调流程中缓解头类主导与类间判别性被破坏的问题。