生成 - 判别互补学习
本论文提出了一个双重投影生成对抗网络 (P2GAN) 模型,学习在数据匹配和标签匹配之间平衡的方法,并通过改善条件生成式对抗网络 (cGAN) 模型中的配对方法解决了分类困难的问题,实验结果表明其在多个真实数据集上具有良好的效果。
Aug, 2021
本文提出了一种基于互补标签学习的框架,通过无偏估计分类风险来进行模型选择,且适用于线性 / 非线性模型或凸 / 非凸损失函数,实验表明该方法优于现有方法。
Oct, 2018
本文提出了一个框架,它使用没有偏见的转移概率估计,提供了一个通用的方法来修改传统的损失函数,并扩展标准的深度神经网络分类器,从而使其能够学习偏差的互补标签,并且确保了使用互补标签学习分类器收敛于使用真实标签学习的最优分类器。综合实验表明,本文方法优于当前最先进的方法。
Nov, 2017
本文提出使用选择性对焦学习的训练方法来解决条件生成对抗网络(cGANs)的训练问题,针对每个小批量的数据选择性地应用条件匹配和联合匹配,从而在 ImageNet、CIFAR-10 和 CIFAR-100 数据集上提高了 cGAN 的性能(FID 最高可达 35.18%),同时保持了多样性。
Jul, 2021
提出了一个监督学习框架,可以同时处理普通标签学习和补充标签学习。对于补充标签学习和普通标签学习相应的一对多和成对分类的损失函数,满足一定的可加性和对偶性,提供了一个直接桥接这些现有监督学习框架的框架。进一步推导了满足可加性和对偶性的任何损失函数的分类风险和误差界。
Feb, 2020
该论文通过能量基模型的混合判别 - 生成式训练,展现出对比学习和监督学习之间的直接联系,并且提出的能量基损失函数的逼近方法有着比现有方法更好的分类准确性、鲁棒性、分布检测和校准性能。
Jul, 2020
该论文提出了一种使用辅助判别器的条件 GAN(ADC-GAN),具有较高的类内多样性,可以更准确地生成有条件的数据,并在合成及真实数据集上进行实验取得了优越结果。
Jul, 2021
本文提出了一种自洽学习的框架,利用生成对抗网络的生成模型和判别模型的博弈优化,使两者协同训练,避免了 GAN 训练不稳定的问题,并在句子语义匹配问题上实现了较好的性能。
Mar, 2023
针对学习时标签存在噪声的问题,本研究提出了一种新的生成式噪声标签学习方法,通过直接关联数据和干净标签、使用判别模型隐式估计生成模型、以及借鉴部分标签学习的信息性标签先验,解决了现有方法中的三个问题,实验证明该生成模型在保持计算复杂度与判别模型相似的情况下提供了最先进的结果。
Aug, 2023