无监督的动态功能选择视觉任务中强大的潜在空间

ARXIV：2510.01758V1公告类型：交叉 摘要：潜在表示对机器学习模型的性能和鲁棒性至关重要，因为它们以紧凑而有益的方式编码数据的基本特征。但是，在视觉任务中，这些表示通常会受到嘈杂或无关的特征的影响，这可能会降低模型的性能和概括能力。本文提出了一种使用无监督的动态特征选择（DFS）来增强潜在表示的新方法。对于每个实例，所提出的方法都会标识并消除图像中的误导或冗余信息，从而确保只有最相关的功能有助于潜在空间。通过利用无监督的框架，我们的方法避免了对标记数据的依赖，从而广泛适用于各个域和数据集。在图像数据集上进行的实验表明，配备了无监督DFS的模型在各种任务（包括聚类和图像生成）上的泛化性能方面取得了重大改进，同时导致计算成本的最小增加。