发表机构
Otto von Guericke University; Max Planck Institute for Dynamics of Complex Technical Systems（奥托·冯·居里克大学; 马克斯·普朗克复杂技术系统动力学研究所）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
ProtoSeam 提出一种提升式分类训练方法，通过在语义接口插入原型并采用一致性惩罚，在不改变推理架构下，将测试准确率提升最多五个百分点，并给出理论依据。
AI 中文摘要
我们提出了一种监督分类的提升式重构方法，在不改变推理时架构的情况下，提升标准分类器的最终准确率。网络 $N=N_2\circ N_1$ 在单一语义接口处被分割，并在该处为每个类别插入一个可学习的原型。训练结合了一个二次一致性惩罚项，将 $N_1(x)$ 拉向其类别的原型，以及一个在原型周围采样样本上评估的 $N_2$ 分类损失，其中梯度不穿过接口。推理时丢弃原型，使用未修改的网络 $N_2\circ N_1$。在 CIFAR-10、CIFAR-100 和 TinyImageNet 上，使用 ResNet 和视觉 Transformer 骨干，在共享调参协议下，提升式训练相比未提升的变体，测试准确率最高提升五个百分点。此外，我们为这些结果提供了理论证明。
英文摘要
We propose a lifted reformulation of supervised classification that improves the final accuracy of standard classifiers without changing the architecture at inference time. A network $N=N_2\circ N_1$ is split at a single semantic interface and one learnable prototype per class is inserted there. Training combines a quadratic consensus penalty that pulls $N_1(x)$ toward the prototype of its class with a classification loss of $N_2$ evaluated on samples drawn around the prototypes, whereat no gradient crosses the interface. At inference the prototypes are discarded and the unmodified network $N_2\circ N_1$ is used. Across CIFAR-10, CIFAR-100, and TinyImageNet with ResNet and vision transformer backbones, lifted training improves test accuracy by up to five percentage points over variants without lifting under a shared tuning protocol. Moreover, we provide theoretical justification of those results.
