热点事件持续更新
CLEAR：潜在一致性提升证据学习鲁棒性
1 篇报道1 个报道来源13 小时前更新
先了解这件事
AI 综述
2026年10月3日，arXiv cs.LG 分类发布论文《CLEAR：通过潜在一致性提升证据学习鲁棒性》。报道称，CLEAR 是一种轻量、任务无关的后处理方法，无需重训练或改变基础预测即可提升证据学习的鲁棒性。其做法是利用留出校准数据刻画模型潜在空间的群组条件几何，在推理时于潜在空间生成扰动视图，并测量这些视图与预测群组校准几何的冲突，据此选择性降低证据强度。目前该工作以预印本形式公开，报道未提及后续实验、对比结果或应用进展。
AI 根据报道生成 · 1 小时前更新
最新进展10月3日 12:00
arXiv 发布 CLEAR 预印本，提出无需重训练的证据学习鲁棒性后处理方法。报道时间线
沿着报道，了解事件的不同侧面。
10月3日
- arXiv：cs.LG（机器学习，全量分类）CLEAR：通过潜在一致性提升证据学习鲁棒性
CLEAR 是一种轻量、任务无关的后处理方法，无需重训练或改变基础预测即可提升证据学习的鲁棒性。它利用留出校准数据刻画模型潜在空间的群组条件几何，在推理时于潜在空间生成扰动视图并测量其与预测群组校准几何的冲突，据此选择性降低证据强度。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。