Open-World Deepfake Attribution via Confidence-Aware Asymmetric Learning
该摘要围绕开放世界 DeepFake 归因（OW-DFA）展开，针对现有方法的两大缺陷（置信度偏差导致伪标签不可靠、预设未知伪造类型数量），提出了置信度感知非对称学习（CAL）框架与动态原型剪枝（DPP）策略，并通过实验验证其性能优于现有方法。ACR 是 “给已知和未知类型‘量身定制’高置信度样本的筛选规则，让模型对两类样本都能自信地预测，同时帮 CCR 把正则化做得更好”。这个图表示一个置信度失
这里的 “原型（Prototype）” 既不是模型，也不是单纯的脸型，而是 **“某一类样本的特征中心”**
以深度伪造归因任务为例：
- 假如有 100 张 “Facedancer 算法生成的伪造人脸”，这些人脸的特征（比如纹理、边缘、频率域模式）会呈现相似性，模型会把这些相似特征聚合成一个 “Facedancer 原型”；
- 同理，“基于扩散模型生成的伪造人脸” 也会形成对应的 “扩散伪造原型”
目录
一、ACR 的核心目标：让模型对 “已知类型” 和 “未知类型” 都能输出高置信度预测
二、ACR 的实现手段：“非对称筛选 + 针对性强化” 高置信度样本
三、ACR 和 CCR 的互补效果：形成 “样本质量→置信度→样本质量” 的正循环
DPP 是动态原型剪枝（Dynamic Prototype Pruning)
2. 动态原型剪枝的 “剪枝”，剪的是 “冗余的新类型原型”
摘要
该摘要围绕开放世界 DeepFake 归因（OW-DFA）展开，针对现有方法的两大缺陷（置信度偏差导致伪标签不可靠、预设未知伪造类型数量），提出了置信度感知非对称学习（CAL）框架与动态原型剪枝（DPP）策略，并通过实验验证其性能优于现有方法。
关键模块解析
CAL 框架
- 包含置信度感知一致性正则化（CCR）：基于归一化置信度动态调整样本损失，将训练焦点从高置信度样本向低置信度样本转移，缓解伪标签偏差。
- 包含非对称置信度增强（ACR）：通过高置信度样本的选择性学习，分别校准已知类与新类的置信度，利用置信度差距优化模型。
- CCR 与 ACR 形成互增强循环，提升 OW-DFA 性能。
DPP 策略
- 以 “粗到细” 的方式自动估计新伪造类型的数量，消除对未知类型数量的预设，增强方法在真实开放世界场景中的可扩展性。
研究价值
该方法在标准 OW-DFA 基准与包含高级篡改操作的扩展基准上均实现了已知 / 新伪造类型归因的 SOTA 性能，解决了开放世界 DeepFake 检测中 “未知类型数量不可知”“置信度偏差” 等实际问题。
OW-DFA（不足)
现有开放世界深度伪造归因（OW-DFA）方法存在两个关键局限：
1）置信度偏差—— 导致新伪造类型的伪标签不可靠，进而造成训练偏差；
2）不现实假设—— 预先已知未知伪造类型的数量。为解决这些挑战，我们提出了置信度感知非对称学习（CAL）框架。
引入-性能差异源于置信度偏斜 （给予没见过的新标签赋予较低的值，导致伪标签不可靠
这些不准确的标签会误导训练目标，通过负反馈循环强化偏差，开始进一步偏斜) ->
新颖的置信度CPL
CPL（总称）
置信度感知一致性正则化CCR
“降低低置信度样本权重” 是为了规避 “噪声标签污染模型”，而非因为低置信度样本数量多 —— 即使已知类型的低置信度样本数量少，只要伪标签不可靠，就需要暂时降低其影响。
学 “已知类型低置信度样本”：解决 “已知类型难例的鲁棒识别” 问题。
训练初期：
- 优先用 DL 有标签样本（已知类型，标签可靠）快速建立 “已知类型的特征模板”；
- 对 DU 无标签样本，仅用 高置信度样本（伪标签相对可靠，多为特征清晰的已知类型样本）补充训练，降低低置信度样本（伪标签噪声大，含未知类型 + 已知类型噪声样本）的干扰，避免模型被带偏。
训练后期：
- 模型已学好已知类型的特征，对 DU 中已知类型的预测置信度稳定，低置信度样本基本只剩 “未知类型”；
- 通过 CCR 的动态权重（Ee 增大），逐步将学习焦点转移到低置信度的未知类型样本上，同时也会学好 DU 中剩余的已知类型低置信度样本（此时伪标签已可靠）。
- 训练后期，模型已能正确识别 “模糊 Facedancer 样本”（伪标签可靠），此时DU 里的低置信度样本，基本是 “从未见过的新伪造类型”（比如 Blendface）—— 它们的低置信度，是因为模型没学过这类伪造模式，而非伪标签不可靠。
非对称置信度强化ACR
一、ACR 的核心目标：让模型对 “已知类型” 和 “未知类型” 都能输出高置信度预测
开放世界任务中，模型天然会对 “已知类型”（学过的）预测置信度高，对 “未知类型”（没学过的）置信度低 —— 这种 “置信度失衡” 会导致：
- 已知类型：置信度过高→可能把 “类似已知类型的未知样本” 误判为已知类型；
- 未知类型：置信度过低→伪标签不可靠，无法有效学习。
ACR 的目标就是打破这种失衡，让模型对两类样本都能给出 “既准确又自信” 的预测。
二、ACR 的实现手段：“非对称筛选 + 针对性强化” 高置信度样本
ACR 的核心是 “不搞‘一刀切’的置信度筛选”，而是给已知类型和未知类型 “定制不同的高置信度样本筛选规则”，具体分两步：
- 计算 “置信度差距系数”：先统计模型当前对 “已知类型” 和 “未知类型” 的平均置信度（比如已知类型平均置信度 0.9，未知类型 0.5，差距是 0.4），基于这个差距设计一个 “个性化系数”。
- 按类别筛选高置信度样本：
- 对已知类型：用 “较高的置信度阈值” 筛选样本（比如只选置信度 > 0.85 的）—— 因为已知类型本身置信度高，要选 “最可靠的样本” 强化；
- 对未知类型：用 “较低的置信度阈值” 筛选样本（比如选置信度 > 0.6 的）—— 因为未知类型本身置信度低，不能用已知类型的高阈值 “卡掉所有样本”。
- 强化这些筛选出的高置信度样本：让模型重点学习这些样本，强制模型对它们输出更稳定的高置信度预测。
三、ACR 和 CCR 的互补效果：形成 “样本质量→置信度→样本质量” 的正循环
ACR 不是孤立的，它是 CCR 的 “辅助器”：
- CCR 的作用是 “动态调整样本权重，让模型学更多难样本”；
- ACR 的作用是 “筛选出两类样本中最可靠的高置信度样本，提升这些样本的置信度稳定性”；→ 最终，ACR 筛选的 “高质量高置信样本” 能让 CCR 的正则化更有效，而 CCR 优化后的模型又能让 ACR 筛选出更多可靠样本 —— 二者互相促进，最终缩小已知 / 未知类型的置信度差距。
一句话总结 ACR
ACR 是 “给已知和未知类型‘量身定制’高置信度样本的筛选规则，让模型对两类样本都能自信地预测，同时帮 CCR 把正则化做得更好”。
这个图表示一个置信度失衡的情况 （左边是占比的意思）
Protocol-1 下的对比（左图）
- CPL（上图）：已知类型样本集中在高置信区间（0.9-1.0 占比近 0.4），而新类型样本分散在中低置信区间（0.5-0.9 均有分布），二者置信度分布差异极大。
- CAL（下图）：已知类型样本仍集中在高置信区间（0.9-1.0 占比接近 1.0），但新类型样本的置信度大幅向高区间聚拢（0.9-1.0 占比显著提升），已知与新类型的置信度分布更接近。
3. Protocol-2 下的对比（右图）
- CPL（上图）：已知类型样本高度集中在 0.9-1.0 区间，新类型样本则分散在 0.4-0.8 区间，置信度差距明显。
- CAL（下图）：新类型样本的置信度向高区间（0.9-1.0）集中的趋势更显著，已知与新类型的置信度分布重叠度大幅提升。
结论：CAL 有效缓解了置信度失衡
DPP 是动态原型剪枝（Dynamic Prototype Pruning)
DPP 可以在训练过程中自动、动态地确定新伪造类型的数量。
1. 先明确：这里的 “原型” 是什么？
在开放世界归因任务中，模型会为每个 “类别” 学习一个 **“原型”（Prototype）**—— 可以理解为 “某类样本的特征中心”（比如所有 Facedancer 伪造样本的特征会聚类成一个 “Facedancer 原型”）。
- 已知类型的原型：由有标签数据训练得到，数量固定（等于已知类型数）；
- 新类型的原型：由无标签数据聚类得到，初期会生成大量 “临时原型”（因为模型会把相似但略有差异的新样本聚成不同原型）。
2. 动态原型剪枝的 “剪枝”，剪的是 “冗余的新类型原型”
算法剪枝是 “剪模型的参数 / 结构”，而 DPP 的 “剪枝” 是 **“剪去新类型的冗余原型”**，流程是 “先多生成、后精简”：
- 步骤 1：生成初始原型训练初期，模型会对无标签数据做聚类，生成大量 “临时原型”（包括重复、相似的原型）—— 比如把同一类新伪造样本，因特征略有差异聚成了 3 个原型。
- 步骤 2：粗到细剪枝模型会动态评估这些原型的 “使用率” 和 “相似度”：
- 低使用率原型：几乎没有样本匹配的原型（可能是噪声聚类的结果）；
- 冗余原型：特征高度相似的原型（本质属于同一类新伪造类型）；然后将这些原型合并 / 删除，最终剩下的原型数量，就是 “自动估计出的新伪造类型数量”。
3. “动态” 体现在哪里？
剪枝过程不是 “一次性完成”，而是随训练过程持续调整：
- 训练初期：原型数量多（覆盖所有可能的新样本聚类）；
- 训练中期：随模型对新类型特征的理解加深，逐步合并相似原型；
- 训练后期：原型数量稳定，对应最终估计的新类型数量。
总结：DPP 和算法剪枝的区别
对比维度 算法剪枝 动态原型剪枝（DPP） 剪的对象 模型的参数 / 网络结构 新类型的 “特征中心（原型）” 目的 压缩模型体积、提升推理速度 自动估计新类型数量、精简类别中心 适用场景 所有模型优化场景 开放世界任务（新类别数量未知） 简单说：DPP 的 “剪枝” 是给 “新类型的特征聚类结果” 做 “去重精简”，最终得到准确的新类型数量，和算法剪枝（优化模型本身）是完全不同的技术方向。
CAL流程图
1. (a) 整体框架：置信度感知非对称学习
- 输入：
- D(L)：有标签的已知伪造类型数据；
- D(U)：无标签的已知 + 新伪造类型混合数据。
- 特征增强（FFE）：通过 “空间 - 频率域双分支”（DCT/IDCT 变换）增强伪造特征的区分度 —— 先将图像转换到频率域，突出伪造痕迹的高频特征，再融合回空间域，提升特征表征能力。
- 原型生成：模型为已知类型（橙色，KL个）和新类型（绿色，K个）生成特征原型，后续通过 DPP、CCR、ACR 优化。
weak view（弱增强视图）：对样本施加轻微的数据增强（比如小幅裁剪、亮度微调），保留样本的核心特征（伪造痕迹、类别信息），用于生成 “相对稳定的基准特征”。
strong view（强增强视图）：对样本施加较强的数据增强（比如随机翻转、大尺度裁剪、噪声添加），样本的表面特征会发生较大变化，但核心伪造特征仍存在，用于测试模型对 “干扰样本” 的特征鲁棒性。
2. (b) CCR：置信度感知一致性正则化
- 核心逻辑：通过 “自校准权重” 动态调整样本损失 —— 训练初期降低低置信度样本权重（避免噪声），训练后期提升低置信度样本权重（聚焦新类型）。
- 实现方式：基于样本的预测置信度计算权重wi，并通过 “弱视图 - 强视图” 的特征一致性损失Lccr，让模型对同一样本的不同增强视图输出一致的预测。
- 上排（弱增强）：有一根 明显最高 的柱（不管它是浅蓝、浅紫还是浅黄）→ 说明：弱增强视图的预测，绝大多数都集中在这一个置信度区间里 → 预测结果 稳定、可靠。
- 下排（强增强）：所有柱的高度 都差不多，没有特别突出的 → 说明：强增强视图的预测，分散在好几个置信度区间里 → 预测结果 波动大、不稳定。
3. (c) ACR：非对称置信度增强
- 核心逻辑：为已知 / 新类型设置不同的置信度筛选阈值（利用 “已知 - 新类型置信度差距” 调整），筛选高置信度样本生成伪标签。
- 实现方式：
- 已知类型：筛选条件为 “样本置信度ρi≥γ”（γ是基础阈值）—— 用较高的阈值筛选高置信样本。
- 新类型：筛选条件为 “样本置信度ρi≥ρn/ρk⋅γ”—— 通过 “置信度差距” 缩小基础阈值，避免因新类型本身置信度低而被全部过滤。
ACR 根据 “已知 - 新类型的置信度差距（ρn/ρk）”，为两类样本设置不同的筛选条件
4. (d) DPP：动态原型剪枝
- 核心逻辑：通过 “使用率评估 + 原型合并” 自动估计新类型数量。
- 三步剪枝流程：
- 步骤 I：识别高置信度原型筛选 “使用率高、置信度高” 的原型（黄色框选部分），保留为有效新类型原型。
- 步骤 II：识别低置信度原型筛选 “使用率低、置信度低” 的原型（红色框选部分），这类原型多为冗余 / 噪声聚类结果。
- 步骤 III：合并低置信度原型将低置信度原型合并（或删除），并更新新类型原型集合，最终得到准确的新类型数量。
- CNovel：新类型原型集合（包含已知类型原型KL外的新原型）；
- Usage（使用率）：原型对应的样本数量（绿色越深代表使用率越高，红色代表使用率越低）；
- Cumulative Coverage（累计覆盖）：原型覆盖样本的比例（曲线趋于平稳时，代表原型已覆盖绝大多数样本）。
频率引导特征增强（FFE）
这是 CAL 框架中的特征预处理模块，核心是通过 “空间域 + 频率域” 双分支融合，增强深度伪造图像的特征区分度（伪造痕迹通常在频率域更明显），具体流程分 3 步：
1. 双域分支输入
- 空间域分支：输入原始图像xi，通过编码器E(⋅)提取空间域特征图（保留图像的直观纹理信息）。
- 频率域分支：将原始图像xi通过离散余弦变换（DCT）转换为频率域特征fi（伪造操作会在频率域引入异常高频 / 低频成分）。
2. 频率域特征增强
频率域特征fi输入解码器G(⋅)，生成掩码Mi—— 该掩码会突出频率域中 “伪造相关的异常特征”（比如换脸操作导致的频率分布不一致区域）。
3. 双域特征融合
将掩码Mi与原始频率域特征fi融合，得到增强后的频率域特征Fi；再通过逆离散余弦变换（IDCT）将Fi转换回空间域特征Ai，最终与空间域分支的特征图结合，输出 “伪造痕迹更突出” 的增强特征。
核心作用
深度伪造的痕迹（如边缘不自然、纹理拼接瑕疵）在空间域可能不明显，但在频率域会呈现独特的异常模式。FFE 通过双域融合，放大伪造相关的特征差异，帮助后续模块（CCR、ACR）更精准地识别已知 / 新伪造类型。
具体方法
FFE 模块的工作流程，核心是通过 “空间 - 频率域转换 + 注意力掩码” 增强深度伪造特征的区分度，具体分为 5 个步骤：
1. 频率域转换
对输入人脸图像xi做离散余弦变换（DCT），得到频率域表示fi=DCT(xi)—— 深度伪造的痕迹（如纹理拼接、边缘异常）在频率域会呈现独特的模式。
2. 生成频率域注意力掩码
用随机初始化的卷积网络G(⋅)对fi处理，生成掩码Mi=G(fi)—— 该掩码会突出频率域中 “能区分不同伪造方法的关键模式”。
3. 加权频率特征
通过逐元素乘法，将掩码Mi与频率特征fi融合，得到加权频率表示Fi=Mi⊙fi—— 强化伪造相关的频率特征，弱化无关噪声。
4. 转换回空间域
用逆离散余弦变换（IDCT）将Fi转换为空间域的注意力图Ai=IDCT(Fi)—— 该图能定位到空间中 “伪造痕迹对应的频率响应区域”。
5. 融合空间特征
将Ai与原始图像的空间特征E(xi)逐元素相乘，再通过 1×1 池化得到最终的频率感知特征hi—— 该特征同时包含 “空间纹理” 和 “频率域伪造模式”，提升后续归因任务的准确性。
核心作用
FFE 的本质是利用频率域的独特信息，放大不同深度伪造方法的特征差异，解决 “空间域中伪造痕迹不明显” 的问题，为后续的 CCR、ACR 模块提供更具区分度的输入特征。
Fi=Mi⊙fi 这个是哈达玛积
这里的⊙符号表示的就是哈达玛积（Hadamard Product），也就是两个同维度矩阵 / 向量的逐元素乘法—— 对应到公式Fi=Mi⊙fi，就是把注意力掩码Mi和频率域特征fi的每个对应位置元素相乘，以此实现 “对频率特征的加权增强”。
置信度感知非对称学习(CCR)，鉴于无标签数据缺乏真实标签，采用基于一致性正则化的训练策略，鼓励对同一图像的扰动版本做出相似预测
CCR：实现方法
将原型相似性转换为概率分布，并通过弱 / 强增强视图定义一致性损失，具体分为 3 个部分：
1. 预测概率的计算
- 首先将图像与所有原型的相似性组成向量si=[si→1,...,si→K]；
- 用 softmax 函数σ将相似性向量转换为概率分布pi=σ(si)—— 该概率代表图像属于对应伪造类型的置信度。
2. 图像的增强视图
3. 一致性正则化损失
参考 FixMatch 方法，损失定义为：
其中：
- ∣B∣是批次大小；
- 1(⋅)是指示函数：仅当弱增强视图的预测最大概率max(p^iw)大于阈值δ时，才计算该样本的损失（保证用高置信的弱增强预测来约束强增强预测）；
- ℓ(⋅)是损失函数（通常为交叉熵），用于衡量弱增强预测p^iw与强增强预测pis的差异。
- 问题 1：已知类别偏见新类别缺乏真实标签，模型的预测会偏向已知类别；而一致性正则化会进一步强化这种偏见（让模型对新类别的预测更倾向于已知类）。
- 问题 2：阈值超参敏感损失Lws中基于阈值δ的筛选，对超参数δ的选择非常敏感；训练过程中预测置信度会变化，但固定的δ无法灵活适配，影响模型稳定性。
解决问题
针对 CCR 的两个局限性，该策略通过动态调整样本权重实现：
- 初期：侧重高置信样本（多属于已知伪造类型），学习可靠的归因特征；
- 后期：逐渐转向低置信样本（多对应新类别），增强对新伪造类型的学习。
p是置信度，例如
- 训练初期：模型对 “新类别样本” 不熟悉，预测时会偏向已知类，此时该样本的置信度ρ^i可能较高（但实际是错误的已知类预测）；
- 训练后期：模型逐渐学习到新类别的特征，对该样本的预测会更接近真实类别，此时其置信度ρ^i可能降低（因为模型不再强行将它归为已知类）。
ACR:实现方法
DDP
原型使用次数uj(t)：量化每个原型的被使用频率，作为剪枝的依据（使用次数低的原型会被判定为冗余）。
引理 4.1 是给 DPP 模块（动态原型剪枝）提供 “理论定心丸” —— 证明了 “预留足够多原型时，训练前期会自动出现大量冗余原型，这些冗余原型可以安全剪枝”，从而支撑 “自动估计未知类别数量” 的核心目标。
在训练前 50 轮（t≤T0），会出现这样的情况：
- 10 个 “真实住户”（未知伪造类型）会各自占据 1 个房间，这些房间的 “使用次数” 很高（比如每个房间被 80-100 张图片选中）；
- 剩下的 90 个房间（(1−10/100)×100=90）几乎没人住，使用次数极低（比如每个房间被≤1 张图片选中，满足 uj(t)≤0.1×10/1000/100=1）；
- 这些低使用次数的房间，就是 “冗余原型”—— 证明了可以放心剪枝。
“≥” 就是说：实际出现的冗余房间数量，至少有 90 个，不会比 90 个少。
0.1*1000/100,意思就是比1小的集合大于等于理论的原型个数
| 符号 / 表达式 | 通俗含义 |
|---|---|
| K | 你预留的 “原型预算”（比如：提前准备 100 个 “空房间”） |
| KU | 真实的未知伪造类型数量（比如：实际只有 10 种未知伪造方法，对应 10 个 “真实住户”） |
| M | 训练的无标签样本总数（比如：有 1000 张未知伪造图片） |
| uj(t) | 第t轮训练时，第j个原型的 “使用次数”（比如：第 3 号房间被 10 张图片选中） |
| ε | 极小的正数（比如 0.1，用来定义 “低使用频率”） |
| T0 | 迭代次数上限（比如前 50 轮训练） |
| 公式 (8) | 平均来看，至少有 (1−KKU)K 个原型是 “低使用频率的冗余原型” |
二、用 “分配房间” 类比理解核心逻辑
场景设定：
- 你要给 10 种未知伪造方法（KU=10，10 个 “真实住户”）分配 “房间”（原型）；
- 你不知道有多少住户，所以预留了 100 个房间（K=100，原型预算）；
- 有 1000 张未知伪造图片（M=1000），每张图片要 “住进” 最匹配的房间（原型）。
引理 4.1 的结论：
在训练前 50 轮（t≤T0），会出现这样的情况：
- 10 个 “真实住户”（未知伪造类型）会各自占据 1 个房间，这些房间的 “使用次数” 很高（比如每个房间被 80-100 张图片选中）；
- 剩下的 90 个房间（(1−10010)×100=90）几乎没人住，使用次数极低（比如每个房间被≤1 张图片选中，满足 uj(t)≤0.1×1000/100=1）；
- 这些低使用次数的房间，就是 “冗余原型”—— 证明了可以放心剪枝。
三、为什么这个引理很重要？
- 打破 “未知类别数量依赖”：之前的方法需要手动设定未知类别数，而引理 4.1 证明：只要预留足够多的原型（K≫KU），冗余原型会自动出现，剪枝后就能得到真实的未知类别数；
- 给 DPP 模块找理论依据：DPP 模块的核心是 “剪枝低使用原型”，这个引理从数学上证明了 “低使用原型就是冗余的”，不是随机剪枝，而是有理论支撑的；
- 保证剪枝安全性：引理 4.1 的前提（步长有界、噪声有界等）都是训练中容易满足的条件，说明这个结论在实际训练中是可靠的，不会剪枝掉有用的原型。
注意:这里面的降序，是有点东西的
累积覆盖率rk：衡量前k个原型的使用次数占所有未知原型总使用次数的比例，用于量化原型的 “覆盖能力”；
知识蒸馏的困惑
读到这里其实，我有一个困惑，我阅读完数据蒸馏后，教师模型和学生模型，这个不是大模型训练小模型的，给他知识蒸馏吗，为什么这里也用教师模型和学生模型呢
传统知识蒸馏的目的
- 模型压缩 ：用大模型（教师）的知识训练小模型（学生）
- 性能提升 ：让学生模型学习教师模型的软标签，获得更好的泛化能力
- 架构差异 ：教师和学生通常是不同的模型架构
本文的应用目的
- 一致性约束 ：让模型对同一张图片的不同增强版本输出一致的预测
- 半监督学习 ：利用无标签数据，通过一致性约束提高模型性能
- 自训练 ：模型自己生成伪标签，然后用这些伪标签监督自己
为什么使用教师-学生思想？
1. 一致性正则化的需要
在半监督学习中，核心假设是： 模型对输入的微小变化应该保持预测的一致性 。同一张图片
├── 弱增强（轻微变化）→ 教师 → 预测A
└── 强增强（较大变化）→ 学生 → 预测B
目标：让预测A和预测B尽可能一致# 教师（弱增强）：低温度 → 硬分布
probs_teacher = F.softmax(logits_weak / teacher_temp, dim=-1) # teacher_temp较小# 学生（强增强）：高温度 → 软分布
probs_student = F.softmax(logits_strong / student_temp, dim=-1) # student_temp较大- 低温度 ：概率分布更尖锐，接近one-hot，信息熵低
- 高温度 ：概率分布更平滑，保留更多类别关系信息
| 特性 | 传统知识蒸馏 | 本文的一致性正则化 |
|---|---|---|
| 模型数量 | 2 个（教师 + 学生） | 1 个（同一模型） |
| 参数共享 | 不共享 | 完全共享 |
| 训练目标 | 学生模仿教师 | 强增强模仿弱增强 |
| 应用场景 | 模型压缩 | 半监督学习 |
| 标签来源 | 教师模型预测 | 弱增强视图预测 |
开源鸿蒙跨平台开发社区汇聚开发者与厂商，共建“一次开发，多端部署”的开源生态，致力于降低跨端开发门槛，推动万物智联创新。
更多推荐
7
0- 0
已为社区贡献1条内容
所有评论(0)