待验证50% 置信事实精确时间

SCARCE框架仅利用训练图的环境划分（来自元数据或无监督聚类）即可学习分布鲁棒的图表示，不需要类别标签。

1

来源数

50%

置信度

长期有效

时效性

2026/10/22

首次发现

来源

SCARCE：无标签图泛化如何实现隐式特征重加权

涉及实体

相关事实

待验证由于指标仅依赖权重矩阵，可为无法获取训练数据的场景提供模型评估路径73% 相似待验证训练/验证划分应按场景或来源分层，避免同源图片跨集导致验证指标虚高。73% 相似待验证该模型没有使用任何预训练权重，数据集由开发者亲手构建并逐一打标签70% 相似待验证CLIP实现了零样本分类,即便训练中从未明确见过的类别也能识别69% 相似待验证只训练分类头（冻结全部 backbone）适合样本量在几百到几千级别、且类别与 ImageNet 语义相近的场景，但模型对域偏移的适应能力几乎为零。69% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1084211

API

curl https://kongchang.com/api/v1/knowledge/claims/1084211

MCP

get_claim(id=1084211)