NODE-Adapter：神经常微分方程用于更好的视觉 - 语言推理
原文中文，约200字，阅读约需1分钟。发表于：。利用神经普通微分方程推测原型优化的方法 (NODE-Adapter) 通过两个阶段的跨模态原型构建和跨模态原型优化，充分利用视觉和文本模态，以更好、更精确地进行视觉 - 语言推理。实验结果表明该方法在少样本分类、领域泛化和人物 - 物体交互的视觉推理等方面显著优于现有的最先进方法。
本文提出一种新的方法，通过考虑ODE求解器的终止时间T上的分布来模型化神经ODE中的不确定性，并采用贝叶斯学习从数据中获得T的后验分布，实现模型选择的自动化。通过ALT-NODE模型使每个数据点有自己独特的T的后验分布，多个后验样本的NODE表示可以有效预测。实验结果表明，在合成数据和现实世界图像分类数据上取得了较好的效果。
