绘制你自己的提示

我们提出图一致性正则化（Graph Consistency Regularization, GCR），一种将模型预测导出的关系图结构注入学习过程以促进类别感知、语义上有意义的特征表示的新型框架。GCR作为一种自提示（self-prompting）形式，使模型能够利用自身输出细化其内部结构。尽管深度网络学习到丰富的表示，但这些表示往往捕获与模型预测语义相矛盾的噪声类间相似性。GCR通过在任意深度引入无参数的图一致性层（Graph Consistency Layers, GCLs）来解决此问题。每个GCL构建一个批次级特征相似性图，并将其与一个全局的、类别感知的掩码预测图对齐，该预测图通过用类内指示器调节softmax预测相似性得到。这种对齐强制特征级关系反映类别一致的预测行为，在整个网络中充当语义正则化器。与先前工作不同，GCR引入了一种多层、跨空间的图对齐机制，并采用自适应加权，其中层重要性从图差异幅度中学习。这使模型能够优先选择语义可靠的层并抑制噪声层，从而在不修改架构或训练过程的情况下增强特征质量。GCR是模型无关的、轻量级的，并在各种网络和数据集上改善语义结构。实验表明，GCR促进了更清晰的特征结构、更强的类内凝聚力和更好的泛化能力，为从预测结构中学习提供了新视角。