使用稳健的特权概率学习推断人类活动

ICCVAug, 2017

使用稳健的特权概率学习推断人类活动

Inferring Human Activities Using Robust Privileged Probabilistic Learning

Michalis Vrigkas, Evangelos Kazakos, Christophoros Nikou, Ioannis A. Kakadiaris

TL;DR本论文提出了一种称为 LUPI-HCRF 的模型，它将 LUPI 集成到隐藏条件随机场模型中，并使用学生 t 分布来增强对离群值的建模。实验结果表明，该方法在识别人类活动方面具有较好的性能，优于现有的 LUPI 框架。

Abstract

Classification models may often suffer from "structure imbalance" between training and testing data that may occur due to the deficient data collection process. This imbalance can be represented by the learning using privileged information (LUPI) paradigm. In this paper, we present a s

structure imbalance learning using privileged information supervised probabilistic classification hidden conditional random field student's t-distribution

发现论文，激发创造

使用异方差 Dropout 的特权信息下深度学习

通过使用特权信息控制不确定性，对卷积神经网络和循环神经网络进行了学习优化，提高了学习的样本效率，并在图像分类和机器翻译中进行了实验证明。

May, 2018

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

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

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

利用强健学习改进无监督图像聚类

本文提出了一种创新的 RUC 模型，利用已有的无监督图像聚类模型的伪标签作为噪声数据集，重新训练过程可以修正错误的知识并缓解预测中的过度自信问题。该模型具有良好的灵活性，可以用作其他聚类方法的附加模块，并帮助其在多个数据集上取得更好的性能。实验表明，该模型对于对手攻击的噪声具有额外的鲁棒性和更好的模型置信度校准。

Dec, 2020

面向以人为中心感知的分布式鲁棒半监督学习

提出一种针对分布偏移数据应用在半监督学习的通用分布鲁棒模型，考虑标记数据和未标记数据的不一致和一致性，学习减少个体差异和保留任务特定一致性的潜在特征，并在实际数据集上对意图识别、活动识别、肌肉运动识别和手势识别等多种人类中心识别任务进行评估，结果表明该模型优于现有方法。

Nov, 2018

基于特权时间序列文本的蒸馏提高基于文本的早期预测

本文主要介绍了一种基于 LuPIET 的时间序列模型来进行文本预测的方法，借助被忽略的特权信息以提高模型性能，并应用于临床和社交媒体文本的早期预测任务中，结果表明该模型的性能更稳定有效，是第一项在 NLP 领域使用特权信息进行时间序列建模的相关研究。

Jan, 2023

整合公共人类活动识别数据集以缓解标记数据稀缺问题

本研究提出了一种结合公共数据集的新策略，用于学习通用的人类活动识别模型，并表明结合公共数据集可以显著减少在未知目标领域上实现令人满意的性能所需的标记样本的数量。

Jun, 2023

人体活动检测的多任务自监督学习

本文提出了一种基于自监督技术的特征学习方法，应用于无形标签的传感器数据。该方法可以应用于人类活动识别等领域，可以通过转化识别任务提供监督信号提取有价值的特征，并在智能手机环境下的无人监督、半监督和迁移学习的情况下实现了与完全监督网络相当甚至更好的性能。该技术可被广泛应用于其他领域。

Jul, 2019

有效可靠的结构化输出概率交互学习

本文研究基于交互式的学习方式，探讨以 active learning 和 skeptical learning 为主要方向的标签未知和标签噪音的情况下，采用确保可靠和高效运算的具有表现力的概率模型来衡量不确定性，在此条件下，我们研究认证了一类概率模型 CRISPs，以确保保持表现力的同时，可以实现上述量的可计算性。此外，我们展示了如何利用 CRISPs 在大型结构输出空间中实现鲁棒和高效的 active learning 和 skeptical learning。

Feb, 2022