曲率正则化训练策略

无长尾也纠偏

通过约束感知流形曲率平衡，在样本均衡数据上也能抑制模型偏差，通用性强。

Ma, Yanbiao · 焦李成 · 刘芳 · Maoji, Wen · 李玲玲 · 马文平 · 杨淑媛 · 刘旭 · 陈璞花

IEEE Transactions on Pattern Analysis and Machine Intelligence 2025

参数信息

错误率降低

1.8 %

技术优势

即插即用

曲率正则化可作为额外正则化项集成到现有训练流程，无需改变网络结构。

均衡数据也有效

模型偏差在样本均衡数据集上同样存在，该方法对此类数据集也能降低偏差。

显著提升现有方法

在多个长尾和非长尾数据集上，基于现有最优方法仍能取得显著性能提升。

应用场景

• 公平性敏感的视觉识别：提升不同类别识别公平性，避免少数类被忽视。
• 长尾分布下的机器人感知：增强机器人在长尾场景下对稀有物体的感知能力。
• 边缘设备上的模型纠偏：无需额外结构修改，适合边缘设备的轻量纠偏。
• 均衡数据集的分类优化：即使数据均衡，也能通过曲率平衡进一步提升分类性能。