adaptation·general

adaptation

别名
首次出现
2026-05-22
最近出现
2026-09-03
累计提及
105
§ 01综述

Adaptation 近期进展

A Visual Dependence-Aware Framework for MU-CPT

原文标题:研究人员提出了一种视觉依赖感知的框架,用于多视图域自适应(MU-CPT),旨在提高跨视图任务的性能。

Variance-reduced Domain Adaptation using Paired Sampling

原文标题:一篇论文提出了使用成对采样的方法来减少域自适应中的方差,旨在提高模型在不同数据分布下的泛化能力。

Learning Only What Valid Adapters Can Express: Subspace-Constrained Adaptation Against Fine-Tuning Poisoning

原文标题:研究聚焦于通过子空间约束来提高域自适应模型的鲁棒性,以防止微调中毒。

FAR: 失败感知重试框架实现测试时恢复与持续策略改进

原文标题:介绍了一种新的框架,旨在通过失败感知重试来提高机器学习模型的鲁棒性和适应性。

SegDINO:将多尺度结构引入DINO实现高效医学图像分割

原文标题:提出了一种新的医学图像分割方法,通过引入多尺度结构到DINO模型中,提高了分割的准确性。

In-Context Reward Adaptation:用上下文学习实现鲁棒偏好建模

原文标题:研究了在上下文中调整奖励的方法,以实现更鲁棒的偏好建模。

元学习让机器人摔跤手快速适应对手

原文标题:OpenAI展示了一种元学习方法,使机器人摔跤手能够快速适应不同的对手。

通过元强化学习学习探索的思考

原文标题:OpenAI探讨了使用元强化学习来提高探索效率的方法。

当前焦点与观察点

Adaptation 领域目前正集中在提高模型在不同数据分布下的泛化能力,以及如何通过元学习等方法使模型能够快速适应新环境。同时,研究也在探索如何通过上下文学习和奖励自适应来优化模型的表现。
§ 02相关报道09 条在档
  1. 01
    NoRA:低秩适应新方法
    arXiv cs.LG
  2. 02
    A Visual Dependence-Aware Framework for MU-CPT
    arXiv cs.AI
  3. 03
    Variance-reduced Domain Adaptation using Paired Sampling
    arXiv cs.LG
  4. 04
    Learning Only What Valid Adapters Can Express: Subspace-Constrained Adaptation Against Fine-Tuning Poisoning
    arXiv cs.LG
  5. 05
    FAR: 失败感知重试框架实现测试时恢复与持续策略改进
    arXiv cs.AI
  6. 06
    SegDINO:将多尺度结构引入DINO实现高效医学图像分割
    arXiv cs.AI
  7. 07
    In-Context Reward Adaptation:用上下文学习实现鲁棒偏好建模
    arXiv cs.AI
  8. 08
    元学习让机器人摔跤手快速适应对手
    OpenAI Blog
  9. 09
    通过元强化学习学习探索的思考
    OpenAI Blog
§ 03邻近话题

本页综述由 AITOP 基于公开报道整理。原报道版权归各自来源所有。

/topic/adaptation