有限注释数据标签传播的深层度量迁移
在本论文中,我们提出了一种新的算法,通过在流形中优化标记数据的特征嵌入来最小化可微损失函数,从而使我们的新算法 “自适应锚标签传播” 在 1-shot 和 5-shot 设置中分别比标准标签传播算法提高了 7% 和 2%。我们在四个广泛使用的 few-shot 基准数据集(miniImageNet,tieredImageNet,CUB 和 CIFAR-FS)和两个常用的主干网络(ResNet12 和 WideResNet-28-10)上提供了实验结果。该算法的源代码可在此 https URL 找到。
Oct, 2023
本文提出了一种自监督的原型传递学习方法 ProtoTransfer,旨在通过构建一个可以将未标记的样本和它们的增强聚类在一起的度量嵌入来预测少量标记数据的正确类别。我们在 mini-ImageNet 数据集上的少量样本分类任务中通过 ProtoTransfer 方法超越了最先进的无监督元学习方法。在存在领域偏移的少样本实验中,我们的方法甚至具有可比拟于监督方法的性能,但需要 orders of magnitude 较少的标签。
Jun, 2020
本研究利用基于流形假设的传导标签传播方法,对整个数据集进行预测,并利用这些预测值为未标记数据生成伪标签,并训练深度神经网络。经实验证明,这种方法在几种数据集中相对于当前的最新技术表现更好,特别是在有限标志数量的情况下。
Apr, 2019
该论文提出了一种新的框架,利用局部图神经网络和基于置信度的路径调度器,可以在大规模真实数据上可靠地传播标签,同时有效地处理异常值和复杂的图结构。在 ImageNet 和 Ms-Celeb-1M 数据集上的实验证明了该方法的有效性。
Jul, 2020
本研究考虑借助大规模相似性图来进行大规模图像标注,在少量样本标注的情况下实现低样本学习低的准确率。研究发现,尽管其概念上很简单,但将标签传播扩展到亿万级别的图像可以实现低样本学习方法的最新准确性
Jun, 2017
本研究提出了一种基于标签传播的领域自适应框架,利用源域上的教师分类器将信息传递到目标域,并通过扩展假设和利用现有的泛化上界,以满足整个算法的有限样本保证。 通过采用一致性半监督学习方法,我们在领域适应设置中获得了显着的改进。
Feb, 2021
本文提出了一种新的元学习方法 —— 传导传播网络(TPN),用于解决小样本分类任务中的低数据问题。该方法通过学习图构建模块来学习将标签从有标签实例传播到无标签测试实例的方法,并在多个基准数据集上验证了其表现,结果表明 TPN 在有标签数量较少的情况下表现出色,取得最先进的结果。
May, 2018
本文中,我们介绍了一种更优的传统标签传播算法(LPA)的分析方法,它可以利用有用的先验信息,具体而言是无标签数据上的概率假设标签。我们提供了一个误差界限,它利用了底层图形的局部几何特性和先前信息的质量。我们还提出了一个框架来整合多个来源的嘈杂信息。我们在多个基准弱监督分类任务上演示了我们的方法的能力,并展示了对现有半监督和弱监督方法的改进。
Oct, 2022