研究者提出TrustMix事后方法改善模型分布偏移表现
Start here
2026年11月6日，研究者提出名为TrustMix的轻量级事后方法。该方法旨在解决预训练模型在分布偏移下的表现问题，通过将模型的预测分布与用户指定的后备分布相结合，实现模型在分布外偏差增大时的显式可控与优雅降级。TrustMix无需重新训练基座模型，同时适用于回归与分类任务，已在CIFAR-10/100、ImageNet等基准以及CNN和Transformer架构上完成验证。实验表明，该方法在保持分布内表现的同时改善了预测不确定性，并可作为贝叶斯优化的代理模型。
AI-generated from reports · Updated 4 hours ago
Report timeline
Follow the reports to see different sides of the story.
- arXiv 机器学习TrustMix：实现预训练模型在分布偏移下的优雅降级
TrustMix 是一种轻量级事后方法，通过将预训练模型的预测分布与用户指定的后备分布结合，实现模型在分布外偏差增大时的显式可控与优雅降级。该方法无需重新训练基座模型，适用于回归与分类任务，并在 CIFAR-10/100、ImageNet 等基准及 CNN、Transformer 架构上完成验证。它在保持分布内表现的同时改善了预测不确定性，并可作为贝叶斯优化的代理模型。
Story heat trend
Current heat 9·Comparable peak 10（Nov 6 14:00）·Comparable change, last 24 hours–
Trends compare only the same parties observed continuously, so the scope can be narrower than current heat counts. Move the pointer or tap the chart to see hourly heat; use the left and right arrow keys on a keyboard.