Age Prediction From Face Images Via Contrastive Learning
원문 초록
This paper presents a novel approach for accurately estimating age from face images, which overcomes the challenge of collecting a large dataset of individuals with the same identity at different ages. Instead, we leverage readily available face datasets of different people at different ages and aim to extract age-related features using contrastive learning. Our method emphasizes these relevant features while suppressing identity-related features using a combination of cosine similarity and triplet margin losses. We demonstrate the effectiveness of our proposed approach by achieving state-of-the-art performance on two public datasets, FG-NET and MORPH-II.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
메모리를 활용한 투기 실행: LLM 에이전트의 무손실 가속
Speculate with Memory: Lossless Acceleration for LLM Agents
투기 실행(speculative execution)은 환경이 유휴 상태일 때 더 작고 비용이 적은 모델을 사용해 다음 단계를 예측하고 선행 실행함으로써 LLM 에이전트를 가속한다. 그러나 기존 투기기(speculator)는 상태를 유지하지 않으며 작업 간 모든 정보를 폐기하므로, 경험이 쌓여도 예측 품질이 개선되지 않는다. 우리는 과거 에이전트 궤적에서 학습하는 세 가지 온라인 메모리 시스템을 투기기에 장착한다: 행동 시퀀스 통계를 추적하는 대조 전이 표(contrastive transition table), 문맥적으로 유사한 구간을 검색하는 에피소드 메모리(episodic memory), 반복 오류를 억제하는 혼동 추적기(confusion tracker). 이 접근법을 행동 예측, 관찰 예측, 연쇄 예측의 세 가지 투기 유형을 아우르는 여섯 개의 벤치마크에서 평가한다. 메모리가 증강된 투기는 행동 예측에서 19–39%의 상대적 정확도 향상을 달성하며, 반복적인 행동 공간을 가진 관찰 예측 작업에서는 최대 2.5배의 향상을 보인다. 이러한 이득은 메모리가 축적될수록 지속적으로 커지며, 비용이 다른 다양한 투기기 모델에 걸쳐 일반화된다. 모든 투기는 유휴 시간 동안 실행되어 추가 벽시계(wall-clock) 비용이 0이기 때문에 무손실이며, 액터(actor)의 궤적은 비투기 실행과 동일하다.
Open-World Social Event Classification
Adversarial Modality Alignment Network for Cross-Modal Molecule Retrieval
Read It Back: 사전학습된 MLLM은 텍스트-이미지 생성을 위한 제로샷 보상 모델이다
Read It Back: Pretrained MLLMs Are Zero-Shot Reward Models for Text-to-Image Generation
본 논문에서 우리는 SpectraReward를 제안한다. SpectraReward는 사전학습된 다중모달 대규모 언어 모델(MLLM)을 이미지 생성 강화학습을 위한 즉시 사용 가능한 보상 모델로 전환하는 추가 학습이 불필요한 보상 함수이다. SpectraReward는 MLLM에게 생성된 이미지를 판단하거나 분해된 검증 질문에 답하도록 요청하는 대신, 단일 이미지 조건부 교사 강제(teacher-forced) 순전파를 통해 원본 프롬프트가 생성된 이미지로부터 얼마나 잘 복원될 수 있는지를 측정한다. 이미지 조건부 프롬프트 로그-가능도의 평균을 보상으로 사용함으로써, 선호도 레이블이나 보상 모델 미세조정 없이 MLLM의 사전학습된 이미지-텍스트 정렬 능력을 직접 재활용한다. 나아가 우리는 Self-SpectraReward를 소개한다. Self-SpectraReward는 통합 다중모달 모델을 위한 특수 사례로, 정책 자체의 이해 브랜치가 생성 브랜치를 위한 보상 모델로 기능하여 외부 보상 모델이나 외부 지식 없이 폐쇄 루프 자기 개선 프레임워크를 형성한다. 광범위한 실험을 통해 SpectraReward를 검증하였으며, 이 연구는 두 가지 확산 모델, 세 가지 강화학습 알고리즘, 4B에서 235B 파라미터에 걸친 네 가지 MLLM 계열의 아홉 가지 보상 MLLM 백본, 다섯 가지 분포 외(out-of-distribution) 텍스트-이미지 벤치마크를 포괄한다. 실험 결과, SpectraReward와 Self-SpectraReward 모두 생성 성능을 유의미하고 일관되게 향상시키며 기존 MLLM 기반 보상 학습 방법을 능가하였다. 추가 분석에 따르면 더 큰 보상 MLLM이 항상 더 우수한 것은 아니며, Self-SpectraReward는 훨씬 더 큰 외부 보상 모델과 동등하거나 이를 능가할 수 있어, 보상-정책 정렬(reward-policy alignment)이 효과적인 이미지 생성 강화학습의 핵심 요인임을 시사한다. 프로젝트 페이지: https://huangrh99.github.io/SpectraReward/
A Diffusion-Based Kinematics and Dynamics Model for 3D Sign Language Production
공정한 자기지도 학습을 위한 편향 없는 Open World 정규화
Unbiased Open World Regularization for Fair Self-Supervised Learning
토론
이 논문과 연결된 포럼 글이 아직 없습니다.