Buchumschlag

Unsqueeze [CLS] Bottleneck to Learn Rich Representations

Fuente: arXiv

Gespeichert in:

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

Ähnliche Einträge

Unlocking [CLS] Features for Continual Post-Training
von: Yildirim, Murat Onur, et al.
Veröffentlicht: (2025)

Disentangled Representation Learning with Transmitted Information Bottleneck
von: Dang, Zhuohang, et al.
Veröffentlicht: (2023)

Deep Regression Representation Learning with Topology
von: Zhang, Shihao, et al.
Veröffentlicht: (2024)

Learning Decomposable and Debiased Representations via Attribute-Centric Information Bottlenecks
von: Hong, Jinyung, et al.
Veröffentlicht: (2024)

Register and [CLS] tokens yield a decoupling of local and global features in large ViTs
von: Lappe, Alexander, et al.
Veröffentlicht: (2025)

Text-Conditional JEPA for Learning Semantically Rich Visual Representations
von: Huang, Chen, et al.
Veröffentlicht: (2026)

Improving Forward Compatibility in Class Incremental Learning by Increasing Representation Rank and Feature Richness
von: Kim, Jaeill, et al.
Veröffentlicht: (2024)

WaterVIB: Learning Minimal Sufficient Watermark Representations via Variational Information Bottleneck
von: He, Haoyuan, et al.
Veröffentlicht: (2026)

Hyperbolic Concept Bottleneck Models
von: Uyterlinde, Daniel, et al.
Veröffentlicht: (2026)

Flexible Concept Bottleneck Model
von: Du, Xingbo, et al.
Veröffentlicht: (2025)

Learning a Clinically-Relevant Concept Bottleneck for Lesion Detection in Breast Ultrasound
von: Bunnell, Arianna, et al.
Veröffentlicht: (2024)

CI-CBM: Class-Incremental Concept Bottleneck Model for Interpretable Continual Learning
von: Javadi, Amirhosein, et al.
Veröffentlicht: (2026)

Multi-view Clustering via Bi-level Decoupling and Consistency Learning
von: Dong, Shihao, et al.
Veröffentlicht: (2025)

Concept Bottleneck Models Without Predefined Concepts
von: Schrodi, Simon, et al.
Veröffentlicht: (2024)

Towards Faithful Multimodal Concept Bottleneck Models
von: Moreau, Pierre, et al.
Veröffentlicht: (2026)

Interpretable and Steerable Concept Bottleneck Sparse Autoencoders
von: Kulkarni, Akshay, et al.
Veröffentlicht: (2025)

Debugging Concept Bottleneck Models through Removal and Retraining
von: Enouen, Eric, et al.
Veröffentlicht: (2025)

Visual Explanations of Image-Text Representations via Multi-Modal Information Bottleneck Attribution
von: Wang, Ying, et al.
Veröffentlicht: (2023)

Soft Mixture Denoising: Beyond the Expressive Bottleneck of Diffusion Models
von: Li, Yangming, et al.
Veröffentlicht: (2023)

Interpretable Generative Models through Post-hoc Concept Bottlenecks
von: Kulkarni, Akshay, et al.
Veröffentlicht: (2025)

Capturing Context-Aware Route Choice Semantics for Trajectory Representation Learning
von: Cao, Ji, et al.
Veröffentlicht: (2025)

VLG-CBM: Training Concept Bottleneck Models with Vision-Language Guidance
von: Srivastava, Divyansh, et al.
Veröffentlicht: (2024)

FlashKAT: Understanding and Addressing Performance Bottlenecks in the Kolmogorov-Arnold Transformer
von: Raffel, Matthew, et al.
Veröffentlicht: (2025)

Mitigating Spurious Background Bias in Multimedia Recognition with Disentangled Concept Bottlenecks
von: Huang, Gaoxiang, et al.
Veröffentlicht: (2025)

Mitigating Bias in Concept Bottleneck Models for Fair and Interpretable Image Classification
von: Tong, Schrasing, et al.
Veröffentlicht: (2026)

Pixel-wise RL on Diffusion Models: Reinforcement Learning from Rich Feedback
von: Kordzanganeh, Mo, et al.
Veröffentlicht: (2024)

Matryoshka Representation Learning
von: Kusupati, Aditya, et al.
Veröffentlicht: (2022)

Random Representations Outperform Online Continually Learned Representations
von: Prabhu, Ameya, et al.
Veröffentlicht: (2024)

The LLM Bottleneck: Why Open-Source Vision LLMs Struggle with Hierarchical Visual Recognition
von: Tan, Yuwen, et al.
Veröffentlicht: (2025)

Explanation Bottleneck Models
von: Yamaguchi, Shin'ya, et al.
Veröffentlicht: (2024)

A Tool Bottleneck Framework for Clinically-Informed and Interpretable Medical Image Understanding
von: Liu, Christina, et al.
Veröffentlicht: (2025)

Beyond Gaussian Bottlenecks: Topologically Aligned Encoding of Vision-Transformer Feature Spaces
von: Bond, Andrew, et al.
Veröffentlicht: (2026)

Calibrated Multimodal Representation Learning with Missing Modalities
von: Liu, Xiaohao, et al.
Veröffentlicht: (2025)

Learning to Generate Training Datasets for Robust Semantic Segmentation
von: Hariat, Marwane, et al.
Veröffentlicht: (2023)

Learning Color Equivariant Representations
von: Yang, Yulong, et al.
Veröffentlicht: (2024)

Denoising Autoregressive Representation Learning
von: Li, Yazhe, et al.
Veröffentlicht: (2024)

Diffusion-Based Representation Learning
von: Mittal, Sarthak, et al.
Veröffentlicht: (2021)

RespoDiff: Dual-Module Bottleneck Transformation for Responsible & Faithful T2I Generation
von: Sreelatha, Silpa Vadakkeeveetil, et al.
Veröffentlicht: (2025)

DashFusion: Dual-stream Alignment with Hierarchical Bottleneck Fusion for Multimodal Sentiment Analysis
von: Wen, Yuhua, et al.
Veröffentlicht: (2025)

Verbalized Representation Learning for Interpretable Few-Shot Generalization
von: Yang, Cheng-Fu, et al.
Veröffentlicht: (2024)