Rilevamento Geometrico di Errori per Modelli di Percezione Pre-Addestrati Senza Conoscenza di Dominio

Un nuovo preprint arXiv (2608.04190) propone un metodo per rendere i modelli di percezione pre-addestrati più robusti ai cambiamenti di distribuzione in ambienti nuovi. Gli autori dimostrano che la combinazione di modelli tramite voto di maggioranza o metodi di ensemble simili non recupera l'accuratezza sotto tali cambiamenti e può essere fragile a guasti coordinati. Gli approcci metacognitivi precedenti si basavano su segnali di conoscenza di dominio scritti a mano, come prior sulla dimensione degli oggetti o maschere di segmentazione, che non si trasferiscono a scene realmente nuove. Il nuovo metodo, chiamato Label Vector Pools (LVP), sfrutta la geometria dello spazio vettoriale: gli LVP per modello sono costruiti dagli embedding di addestramento di ciascun modello, e le regole di rilevamento degli errori sono derivate dalla geometria delle rilevazioni rispetto a prototipi determinati dall'addestramento. Questo approccio raggiunge la parità con le regole basate su conoscenza di dominio entro 0.002 F1 sul set di test, senza richiedere alcuna conoscenza di dominio. Il metodo rimane neurosimbólico, e le regole geometriche condividono un singolo log... (troncato per brevità). L'articolo è disponibile su arXiv con l'identificatore 2608.04190.