Imperial College London（帝国理工学院）

Controllable Diversity in Normalization-Based Implicit Ensembles via Softmax-Temperature Modulation

通过Softmax温度调制在基于归一化的隐式集成中实现可控多样性

Mihai Suteu, Ovidiu Serban

机构 * Data Science Institute, Imperial College London（伦敦帝国理工学院数据科学研究所） 纠错

AI总结 研究如何在基于归一化的隐式集成中实现可控多样性，核心方法是引入σN-Ens及softmax温度正则化器，主要贡献是在低参数成本下匹配或超越深度集成，能随集成大小扩展且在分布变化下保持校准。

Consistent Evidence, Robust Recognition: Faithful Attribution Regularization under Geometric Transformations

一致证据，稳健识别：几何变换下的忠实归因正则化

Xianghao Jiao, Ruoyu Chen, Wei Wang, Jiazi Hu, Jiawei Liang, Shangquan Sun, Shiming Liu, Qunli Zhang, Xiaochun Cao

机构 * School of Cyber Science and Technology, Shenzhen Campus of Sun Yat-sen University（中山大学深圳校区网络科学与技术学院） ； University of Chinese Academy of Sciences（中国科学院大学） ； School of Automation, Nanjing University of Information Science and Technology（南京信息工程大学自动化学院） ； Department of Mechanical Engineering, Imperial College London（伦敦帝国理工学院机械工程系） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算与数据科学学院） 纠错

AI总结 研究针对归因方法在几何变换下的不足，提出基于图像区域子模搜索的无注释归因正则化框架，通过子模排序损失正则化归因及证据选择过程，实验表明该方法能提升归因稳定性且性能损失小。