$C^2M^3$：循环一致的多模型合并

本文提出了一种用于神经网络权重空间合并的新颖数据无关方法。与大多数现有工作不同，我们的方法在所有层上全局优化网络神经元的排列。这使得我们能够在合并 $N \geq 3$ 个模型时，强制执行排列的循环一致性，允许在没有沿路径积累误差的条件下计算排列的循环组成。我们定性和定量地阐释了这种约束的必要性，展示了在各种架构和数据集的场景中合并模型集合时的优势。最后，我们表明，当结合激活重新归一化时，我们的方法能yield最佳结果。