📐 优化/理论¶
🎞️ ECCV2026 · 13 篇论文解读
📌 同领域跨会议浏览： 🧠 NeurIPS2026 (4) · 📷 CVPR2026 (22) · 🔬 ICLR2026 (220) · 🧪 ICML2026 (88) · 🤖 AAAI2026 (21) · 🧠 NeurIPS2025 (126)
🔥 高频主题： 联邦学习 ×4
- LDC-MTL: Balancing Multi-Task Learning through Scalable Loss Discrepancy Control
-
LDC-MTL 用双层优化显式约束任务损失差异，再通过省略一个经验上很小的梯度项实现单循环一阶训练，在 CelebA 上取得 -1.31 的综合相对性能下降指标，训练耗时为线性标量化基线的 1.07 倍。
- HSFM: Hard-Set-Guided Feature-Space Meta-Learning for Robust Classification under Spurious Correlations
-
HSFM 冻结 ERM 预训练骨干，把一小撮训练样本在特征空间里的嵌入当作可学习参数，用"模型自己在高损失样本上的表现"构造双层元目标（内层适配线性头、外层最小化硬集损失）来优化这些嵌入；只需单卡几分钟，就在 Waterbirds、Dominoes 等伪相关基准上取得与使用组标签的方法相当的最差组精度，还能把优化出的特征位移经 unCLIP 解码回图像、直观暴露模型的伪相关依赖。
- Why Can Accurate Models Be Learned from Inaccurate Annotations?
-
论文把「不准的标注为什么还能训出准模型」拆成可分析的问题：错误标注只把噪声沉积在分类权重矩阵的低阶奇异分量上，中等错误率下主奇异子空间几乎不旋转，因而任务相关知识仍在——作者用奇异值谱、Grassmann 子空间相似度和 Davis-Kahan 角度界从实证与理论两侧论证这一点，并据此提出免训练后处理插件 LIP（保留前 k 个奇异分量 + 用训练集重估被压平的尾部奇异值），在 11 个基线、6 个真实部分标签数据集与 CIFAR/CUB 噪声设置上普遍涨点。
- Coordinate Singularities Break Conformal Coverage for Gaze and Head Pose
-
揭示了视线与头部姿态估计中由于采用偏航-俯仰或欧拉角等局部坐标图定义符合预测非符合性度量，会导致奇异点附近出现严重的局部覆盖率坍塌（名义90%覆盖率在极点附近暴跌至38.9%），证明了标量自适应校准无法修复形状畸变，并提出基于流形内蕴测地距离的免重训、零开销解决方案。
- Dive into the implicit biases of low-rank vision-language alignment
-
本文挑战了视觉语言对齐必须进行全参数微调的传统认知，实证发现低秩对齐在大幅降低训练开销的同时全面超越全参数基线，并从行为、特征几何与优化理论三个维度揭示了低秩对齐保留模态共性结构、抑制线性可分性崩溃（LS-curse）并偏好平坦鲁棒子空间的隐式偏差机制。
- RBE-Flow: Recurrent Bayesian Estimation on Feature Manifolds for Cross-Modal Registration
-
将跨模态密集光流估计重新建模为特征流形上的闭环递归贝叶斯状态估计问题，通过 RMO（递归流形优化）生成带不确定性的流观测、UAPU（不确定性自适应概率更新）用 Sigma 点投影进行 MMSE 最优贝叶斯融合并将后验协方差反馈调节下一次优化，在 OSdataset、WHU-OPT-SAR 和 RoadScene 三个跨模态数据集上一致达到 SOTA，AEPE 相比此前最佳方法降低 45.4%。
- SUM: Unified Geometric Surgery on Spatio-Temporal Adaptation Vectors for Federated Class Incremental Learning
-
将联邦类增量学习（FCIL）重塑为统一多任务学习框架，在纯服务端通过几何投影对客户端与任务间的时空适应向量执行正交化手术与符号共识合并，在不增加客户端任何计算/通信开销的前提下大幅消除空时灾难性遗忘。
- AnaPFL: When Closed-Form Solutions Meet Generalization and Personalization in Personalized Federated Learning
-
AnaPFL 在冻结视觉特征上先解析聚合全局主分支、再为各客户端解析拟合局部残差，只需一轮聚合，在三个视觉数据集的 18 种设置下比各设置最强基线提高 1.57–16.71 个准确率百分点。
- Can Vision Models Truly Forget? Mirage: Representation-Level Certification of Visual Unlearning
-
针对视觉模型遗忘验证仅依赖输出端指标而掩盖表征残留的严重缺陷，本文提出表征级审计框架 Mirage，通过线性探针恢复度、CKA 全局对齐、特征可分性与逐层追踪四项诊断，揭示了“输出遗忘但表征残留”的遗忘假象以及效用、行为遗忘、表征遗忘无法兼得的三难困境。
- H-SFP: Hierarchical Federated Learning with Decoupled Split-Model Prototyping
-
针对传统切分联邦学习跨层传输高维激活与反向传播梯度的带宽瓶颈，H-SFP 提出解耦统计原型机制，仅上传类别一阶均值与二阶方差并在边缘与云端合成高斯特征分布进行分层训练，在削减超两个数量级通信开销的同时显著抑制非独立同分布下的客户端漂移。
- HEM: a margin-based loss for visual categorisation tasks
-
针对交叉熵损失（CE）过度自信、持续改写权重及多类别边距损失（MM）梯度不稳定的缺陷，本文提出了高误差边距损失（HEM），通过动态截断低误差和自适应类边距，在未知类拒识、对抗鲁棒性、长尾学习和语义分割等多项任务中全面超越 CE 与专用损失。
- Prototype Normalization: Optimizing Prototype Separation for Heterogeneous Federated Learning
-
针对异构联邦学习中加权平均原型分离度差与客户端计算负担重的问题，本文提出 ProtoNorm 框架，将全局原型建模为超球面上的电荷并求解汤姆逊问题，以极低的纯服务端计算复杂度实现了类别原型的最大角间距分离与欧氏尺度缩放。
- SON-GOKU：图着色实现多任务学习的无冲突调度
-
SON-GOKU 通过实时测量多任务学习中各任务的梯度冲突，构建冲突图并利用贪心图着色算法将任务动态划分为低冲突组，每个训练步只激活一组任务，周期性重着色以适应梯度演化，在六个数据集上一致提升了多种 MTL 基线方法的效果。