Feb, 2018

基于成对相似度和无标签数据的分类

PDF
TL;DR提出了一种新的弱监督学习设置，称为 SU 分类，只需要相似数据对和未标记数据点，可以从 SU 数据中获得分类风险的无偏估计量，并证明其经验风险最小化器的估计误差达到最优参数收敛速率。通过实验证明了该方法的有效性。
supervised learningweakly-supervised learningclassificationestimationunlabeled data
发现论文，激发创造
  • 通过经验风险最小化从成对相似性 / 不相似性和无标签数据中进行分类

    该论文提出了一种利用成对数据信息进行分类的方法，其中使用了经验风险最小化方法来评估分类风险，可以从成对相似性和未标记数据计算出分类风险的无偏估计器。这种方法不仅可以处理相似性，而且还可以处理不相似性，并且可以估计误差范围。

    Apr, 2019

  • SimPLE: 特征相似的伪标签利用用于半监督分类

    本文提出了基于 Pair Loss 和 MixMatch 技术的 SimPLE 算法，通过挖掘标记和未标记数据之间的关系，显著提升了 CIFAR-100 和 Mini-ImageNet 上的性能，并在 CIFAR-10 和 SVHN 上达到了最新方法的水平。此外，SimPLE 算法还在迁移学习设置中优于预训练模型。

    Mar, 2021

  • 利用替代集分类从多个无标签数据集进行二元分类

    本文提出了一种从多个未标记数据集中训练二分类器的方法，通过将每个观察数据归到各自对应的数据集来实现替代数据分类，最终结果在分类一致性方面优于当前最先进的方法。

    Feb, 2021

  • 从两个未标记数据集进行监督分类中缓解过拟合：一种一致的风险校正方法

    本文介绍一个基于经验风险最小化的无标注二分类方法。该方法有时可能会出现严重的过拟合。因此，我们提出了一种校正函数来限制过拟合，并证明了校正后的风险估计器的一致性和估计误差界限。实验结果显示，我们的方法成功地缓解了 UU 方法的过拟合问题，并显著提高了分类准确性。

    Oct, 2019

  • 基于正类和未标记数据分类的半监督分类

    本文提出一种新的半监督分类方法，通过将无标签数据引入到分类模型中，使模型的下降边界可以与无标签数据的数量成比例而不需要假设簇的条件。经过实验证明这种方法的有效性。

    May, 2016

  • 点对置信度比较的逐点二分类

    本文提出一种新的二元分类设置，即成对比较分类 (Pcomp) 分类，其中仅有一对未标记数据，我们知道其中一个数据比另一个更可能为正。我们给出了一个生成 Pcomp 数据的过程，推导出了一个带有理论保证的无偏风险估计器 (URE)，并使用校正函数进一步改进了 URE。同时，我们将 Pcomp 分类联系到噪声标签学习，发展了一种逐步 URE 并通过施加一致性正则化来改进它。最后，我们通过实验证明了我们的方法的有效性，这表明 Pcomp 除了成对标签之外，还是一种有价值且实用的成对监督类型。

    Oct, 2020

  • 对比无监督表示学习的理论分析

    本文提出了一种理论框架以分析对比学习的算法，并引入潜在类别假设，该框架使我们能够在平均分类任务上证明学习表示的性能。同时，该文还表明，学习表示可以降低下游任务的（标记）样本复杂度。

    Feb, 2019

  • 使用偏序集进行深层无监督相似性学习

    通过局部可靠相似度的估计，不需要监督信号，将样本分组成紧凑的代理类，利用样本到类的局部偏序将类与类连接起来，将相似性学习形式化为局部排序任务，并采取自我监督策略，在 C​NN 中训练样本以一致的方式表示，同时更新类。该无监督方法在详细姿态估计和对象分类上表现出有竞争力的性能。

    Apr, 2017

  • 无监督多数据集的二分类几乎免于监督

    提出了一种用于多个未标记数据集的二元分类的新框架（MU-OPPO），旨在使用仅知道数据集的类先验排序之间的相对顺序的情况下，解决一个仅有一对类先验的二元分类问题，使用该新框架可使标注成本几乎为零。

    Jun, 2023

  • 通过不确定性量化来辅助半监督学习

    本文提出了一种基于不确定性感知的新型无监督目标函数，结合最近 SSL 技术，在保证计算效率的同时，在基准数据集中表现优于或与现有最先进技术水平相当，尤其在复杂数据集如 CIFAR-100 和 Mini-ImageNet 上表现最好。

    Jul, 2022