arXiv cs.AI· Doo Yon Kim, Christian Wallraven·· 11 小时前AI 评分24
CIIR：类别索引接口表示学习，实现跨数据集模块化通信
CIIR - Class-Indexed Interface Representation Learning
AI 导读
CIIR 是一个模块化编码器-解码器框架，通过类别索引地址空间连接异构数据集，无需配对或同步样本。从手写数字、服装图像、语音数字频谱和手势中学习地址空间后，新训练的无标签接收器实现 94.7% 的宏平均地址实现准确率。冻结基础地址空间后仅训练轻量适配器，即可在未见过的 SVHN 数据集上达到 90.2% MNIST>SVHN 和 82.3% SVHN>MNIST 的端到端地址迁移准确率。
正文 · AI 翻译
摘要：多模态学习通常假设观测是成对或同步的，然而独立收集的数据集很少提供这种对应关系。我们提出 CIIR，一个模块化的编码器--解码器框架，它通过类索引地址空间连接异构数据集，同时保留每个数据集原生的输入格式和输出模块。一个已知的局部索引选择地址 $k$，并将一个依赖于输入的 128 维地址表示 Z_k(x) 写入该地址。为演示 CIIR，我们从手写数字、服装图像、口述数字频谱图和手语手势中学习该地址空间，且无需同步或实例匹配的样本。新训练的无标签接收器以 94.7% 的宏平均地址实现准确率恢复所请求的地址。随后，我们在冻结基础地址空间后接入未见过的 SVHN 数据集，仅训练轻量级适配器，在无目标侧解码器标签的情况下，端到端地址迁移准确率达到 90.2% MNIST>SVHN 和 82.3% SVHN>MNIST。为证明 CIIR 的泛化能力，我们将这十个地址复用为无冲突算术中的码元，并为全部 100 个 CIFAR-100 类构建分层地址码，并通过现有接收器评估直接算术码实现。这些结果确立了 CIIR 作为一种紧凑接口，用于模块化跨数据集通信和事后数据集接入，而无需详尽的成对多模态监督。
| 评论： | 17 页，6 幅图 |
| 主题： | 人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.23151 [cs.AI] |
| （或 arXiv:2610.23151v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.23151 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Doo Yon Kim [查看电子邮件]
[v1]
2026 年 10 月 16 日星期五 08:44:05 UTC（1,966 KB）
来源：arXiv cs.AI · arxiv.org