Jul, 2014

基于特权噪音的高斯过程分类

PDF
TL;DR利用高特权信息训练高斯过程分类器（GPC），提高分类精度，并证明高斯过程的潜在函数可以作为高特权信息的一种处理方式，通过调整 GPC Sigmoid 概率函数的斜率，提高 GPC + 方法的性能。
learning with privileged informationmachine learninggaussian process classifierdata modalityneural networks
发现论文，激发创造
  • 隐私感知的高斯过程回归

    提出了第一个在隐私约束下进行高斯过程回归的理论和方法框架，其中关键思想是通过添加合成噪声，直到高斯过程模型的预测方差达到预定的隐私水平，来对数据进行保护，并使用半定编程来制定合成噪声的最优协方差矩阵格式，此框架还通过考虑跟踪卫星轨迹的模型进行了说明。

    May, 2023

  • 具有深度卷积高斯过程的贝叶斯图像分类

    本研究提出了一种翻译不敏感的卷积核，并将高斯过程重新制定为多输出高斯过程，以实现深度卷积高斯过程。实验证明，与使用 dropout 的贝叶斯深度学习方法相比，我们的全贝叶斯方法在不确定性和边际似然估计方面的性能有所提高。

    Feb, 2019

  • 学习使用特权信息：SVM + 和加权 SVM

    该研究讨论了使用先验知识通过特权信息来提高学习算法的预测性能或减少所需的训练数据的方法，其中重点介绍了 SVM+ 框架，并通过特权特征确定了加权 SVM 可以复制 SVM+ 解决方案，同时讨论了当特权特征不可用时如何选择加权 SVM 的问题。

    Jun, 2013

  • 使用特权信息来解释标签噪音的转移和边缘化方法

    该论文提出了一种新的监督学习方法 TRAM，通过权重共享传输特权信息以及在测试时大致消去特权信息来解释标签噪声，从而降低对噪声标签的有害影响。该方法可在不增加测试时间成本的情况下有效地应用于各项基准测试。

    Feb, 2022

  • 学习转移特权信息

    在计算机视觉领域引入了一种名为 LUPI 的学习框架，利用属性、边界框或图像标记等特权信息来加快计算机对象识别速度，探索利用多义分类和二分类最大间隔技术来提高分类器在原数据空间的分类能力。同时，研究人员发现利用特权信息能够显著提高分类精度。

    Oct, 2014

  • 利用特权信息的一类支持向量机及其在恶意软件检测中的应用

    本文提出了一种新的一类分类方法，可以在训练阶段考虑到特殊信息，并使用合成数据集和公开数据集进行性能评估。

    Sep, 2016

  • 利用生成的特权信息进行学习：基于文本到图像的扩散模型

    将学习使用特权信息的理论扩展到文本分类领域，提出了一种通过文本 - 图像扩散模型生成人工特权信息的文本分类框架，并将生成的图像和原始文本样本用于训练多模态教师模型，最终将多模态教师的知识融合到文本（单模态）学生模型中，进而通过生成模型引导学生模型的训练，从而在四个文本分类数据集上取得显著的性能提升。

    Sep, 2023

  • 自适应 SVM+：使用特权信息进行域自适应学习

    本文提出了 Adaptive SVM + 的学习范式，利用特权信息来进行视觉识别任务的域适应设置，取得了在 Animals with Attributes and INTERACT 数据集上的最新成果。

    Aug, 2017

  • 数据聚类的特权信息

    本文研究了 Vapnik 的主人公学习理念及其在无监督学习中使用的相关学习。通过提出的 aRi-MAX 方法，KMeans 算法的稳定性得到了改善，并在人工数据集上实现了最佳聚类解的识别。随后，提出了一种基于信息论点积的算法 P-Dot，能够利用各种聚类技巧，单独或组合使用，以融合特权数据和技术数据，以提高聚类效果。文中通过对数字识别任务的应用验证了这些方法在实际情况下的适用性。

    May, 2013

  • 参数高斯过程回归器

    提出了两种可扩展的高斯过程回归方法，通过应用变分推断和直接处理后验预测分布来改善模型预测不确定性。

    Oct, 2019