大规模数据集相关 AI 资讯

5月28日

12:02

官方账号arXiv cs.LG@Jürgen Dölz, Michael Multerer, Michele Palma

传统上，神经网络的鲁棒性通过Lipschitz常数衡量，但该方法过于粗糙或严格，无法捕捉数据依赖的细微行为。本文提出基于离散模量连续性（DMOC）的数据驱动框架，它不依赖模型内部结构，而是通过数据分布评估网络的正则性。DMOC引入了可扩展的小批量算法，将计算成本从二次降为线性，适用于ImageNet等大规模数据集。实验表明，DMOC能区分已训练和未训练网络，揭示欠拟合和过拟合状态，并作为特例给出与最先进方法相当的紧Lipschitz估计。该框架为鲁棒性评估提供了更精细、数据驱动的替代方案。

论文神经网络鲁棒性 Lipschitz常数数据驱动离散模量连续性大规模数据集

推荐理由：DMOC解决了Lipschitz常数在评估神经网络鲁棒性时的粗粒度问题，做模型安全或对抗性研究的团队可以直接用这个框架替代传统方法，尤其适合处理ImageNet级别的大规模数据。

原文

5月27日

10:28

官方账号arXiv cs.AI@Shihao Wang, Shilong Liu, Yuanguo Kuang, Xinyu Wei, Yangzhou Liu, Zhiqi Li, Yunze Man, Guo Chen, Andrew Tao, Guilin Liu, Jan Kautz, Lei Zhang, Zhiding Yu

精选

LocateAnything 提出并行框解码（PBD）方法，将边界框和点作为原子单元单步解码，替代传统序列化坐标生成，解决了几何结构耦合性差和推理瓶颈问题。该方法在保持框内几何一致性的同时，显著提升解码吞吐量和定位精度。团队还构建了包含1.38亿训练样本的大规模数据集 LocateAnything-Data，增强数据多样性。实验表明，LocateAnything 在多个基准上实现了速度与精度的新前沿，高IoU定位质量显著提升。这项工作展示了并行解码与大规模数据在统一视觉定位与检测中的互补优势。

论文视觉定位目标检测并行解码大规模数据集 LocateAnything

推荐理由：做视觉定位或目标检测的开发者，LocateAnything 的并行解码思路能直接提升推理效率，建议关注其开源数据和模型。

原文