Buchumschlag

Fine-tuning with Very Large Dropout

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhang, Jianyu, Bottou, Léon
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Improved Regularization and Robustness for Fine-tuning in Neural Networks
von: Li, Dongyue, et al.
Veröffentlicht: (2021)

SegFormer Fine-Tuning with Dropout: Advancing Hair Artifact Removal in Skin Lesion Analysis
von: Saad, Asif Mohammed, et al.
Veröffentlicht: (2025)

Fine-tuning Vision Classifiers On A Budget
von: Kumar, Sunil, et al.
Veröffentlicht: (2024)

Personalized Preference Fine-tuning of Diffusion Models
von: Dang, Meihua, et al.
Veröffentlicht: (2025)

Generative Autoencoding of Dropout Patterns
von: Maeda, Shunta
Veröffentlicht: (2023)

Aligning Modalities in Vision Large Language Models via Preference Fine-tuning
von: Zhou, Yiyang, et al.
Veröffentlicht: (2024)

Connect Later: Improving Fine-tuning for Robustness with Targeted Augmentations
von: Qu, Helen, et al.
Veröffentlicht: (2024)

Towards Compatible Fine-tuning for Vision-Language Model Updates
von: Wang, Zhengbo, et al.
Veröffentlicht: (2024)

Realistic Unsupervised CLIP Fine-tuning with Universal Entropy Optimization
von: Liang, Jian, et al.
Veröffentlicht: (2023)

ToonOut: Fine-tuned Background-Removal for Anime Characters
von: Muratori, Matteo, et al.
Veröffentlicht: (2025)

Spectral Wavelet Dropout: Regularization in the Wavelet Domain
von: Cakaj, Rinor, et al.
Veröffentlicht: (2024)

SWiFT: Soft-Mask Weight Fine-tuning for Bias Mitigation
von: Yan, Junyu, et al.
Veröffentlicht: (2025)

Dual Risk Minimization: Towards Next-Level Robustness in Fine-tuning Zero-Shot Models
von: Li, Kaican, et al.
Veröffentlicht: (2024)

Fine-tuned Vision Language Model for Localization of Parasitic Eggs in Microscopic Images
von: Sien, Chan Hao, et al.
Veröffentlicht: (2026)

Exploiting Layer Normalization Fine-tuning in Visual Transformer Foundation Models for Classification
von: Tan, Zhaorui, et al.
Veröffentlicht: (2025)

Fine-tuning MLLMs Without Forgetting Is Easier Than You Think
von: Li, He, et al.
Veröffentlicht: (2026)

Scale, Don't Fine-tune: Guiding Multimodal LLMs for Efficient Visual Place Recognition at Test-Time
von: Cheng, Jintao, et al.
Veröffentlicht: (2025)

Study of Dropout in PointPillars with 3D Object Detection
von: Sun, Xiaoxiang, et al.
Veröffentlicht: (2024)

Fine-tuning can cripple your foundation model; preserving features may be the solution
von: Mukhoti, Jishnu, et al.
Veröffentlicht: (2023)

Progressive Data Dropout: An Embarrassingly Simple Approach to Faster Training
von: Sathiyanarayanan, Shriram M, et al.
Veröffentlicht: (2025)

Fine-tuning Quantized Neural Networks with Zeroth-order Optimization
von: Shang, Sifeng, et al.
Veröffentlicht: (2025)

Data Selection for Fine-tuning Vision Language Models via Cross Modal Alignment Trajectories
von: Naharas, Nilay, et al.
Veröffentlicht: (2025)

Breaking the Limits of Open-Weight CLIP: An Optimization Framework for Self-supervised Fine-tuning of CLIP
von: Mehta, Anant, et al.
Veröffentlicht: (2026)

Federated Knowledge Transfer Fine-tuning Large Server Model with Resource-Constrained IoT Clients
von: Chen, Shaoyuan, et al.
Veröffentlicht: (2024)

FedMLLM: Federated Fine-tuning MLLM on Multimodal Heterogeneity Data
von: Xu, Binqian, et al.
Veröffentlicht: (2024)

Agentic Very Long Video Understanding
von: Rege, Aniket, et al.
Veröffentlicht: (2026)

ReMem: Mutual Information-Aware Fine-tuning of Pretrained Vision Transformers for Effective Knowledge Distillation
von: Dong, Chengyu, et al.
Veröffentlicht: (2025)

SelaFD:Seamless Adaptation of Vision Transformer Fine-tuning for Radar-based Human Activity Recognition
von: Wang, Yijun, et al.
Veröffentlicht: (2025)

Adaptive Data Dropout: Towards Self-Regulated Learning in Deep Neural Networks
von: Gahir, Amar, et al.
Veröffentlicht: (2026)

MM1.5: Methods, Analysis & Insights from Multimodal LLM Fine-tuning
von: Zhang, Haotian, et al.
Veröffentlicht: (2024)

Towards Higher Effective Rank in Parameter-efficient Fine-tuning using Khatri--Rao Product
von: Albert, Paul, et al.
Veröffentlicht: (2025)

Towards the Resistance of Neural Network Watermarking to Fine-tuning
von: Tang, Ling, et al.
Veröffentlicht: (2025)

Pre-Trained Model Recommendation for Downstream Fine-tuning
von: Bai, Jiameng, et al.
Veröffentlicht: (2024)

Light-weight Fine-tuning Method for Defending Adversarial Noise in Pre-trained Medical Vision-Language Models
von: Han, Xu, et al.
Veröffentlicht: (2024)

Proxy-FDA: Proxy-based Feature Distribution Alignment for Fine-tuning Vision Foundation Models without Forgetting
von: Huang, Chen, et al.
Veröffentlicht: (2025)

DreamBlend: Advancing Personalized Fine-tuning of Text-to-Image Diffusion Models
von: Ram, Shwetha, et al.
Veröffentlicht: (2024)

Deep Augmentation: Dropout as Augmentation for Self-Supervised Learning
von: Brüel-Gabrielsson, Rickard, et al.
Veröffentlicht: (2023)

Rate-In: Information-Driven Adaptive Dropout Rates for Improved Inference-Time Uncertainty Estimation
von: Zeevi, Tal, et al.
Veröffentlicht: (2024)

SLCA++: Unleash the Power of Sequential Fine-tuning for Continual Learning with Pre-training
von: Zhang, Gengwei, et al.
Veröffentlicht: (2024)

Fine-tuning CLIP Text Encoders with Two-step Paraphrasing
von: Kim, Hyunjae, et al.
Veröffentlicht: (2024)