TransBoost：利用深度转导提升ImageNet的最佳性能

本文研究深度直推学习（deep transductive learning），提出了一种名为 TransBoost 的优化方法，用于对任意深度神经网络模型进行微调，以提升其在训练阶段即可获得的任意（未标注）测试集上的性能表现。TransBoost 的设计灵感来源于大间隔原则（large margin principle），具有高效且易于使用的特点。实验结果表明，该方法在多种主流网络架构上均显著提升了 ImageNet 图像分类任务的性能，涵盖 ResNets、MobileNetV3-L、EfficientNetB0、ViT-S 以及 ConvNeXt-T 等模型，实现了当前最优的直推学习性能。此外，我们还验证了 TransBoost 在多种不同图像分类数据集上的广泛有效性。TransBoost 的开源实现已发布于：https://github.com/omerb01/TransBoost。