标签传播用于深度半监督学习
本论文介绍了一种改进的算法,利用有标注数据和无标注数据的流形结构预测伪标签,在类之间平衡,并使用容量有限的分类器的损失值分布选择最干净的标签,以迭代方式改善伪标签的质量,从而在几个基准数据集上超越了现有技术结果,具有数据可用性与特征空间预处理的健壮性。
Dec, 2020
该论文提出了一个通用的框架,使用未标记的数据通过标签传播方法来增加训练数据,从而促进在目标识别、半监督学习、迁移学习和少样本学习等任务中的快速推广,并展示了标签传播方案在相似度度量从相关域转移的情况下非常有效。通过利用未标记数据提高各种任务的表现。
Dec, 2018
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
介绍了一种基于图嵌入的半监督学习框架,重点研究了在图中联合预测类别标签和邻域上下文信息的方法,并在包括文本分类等多个基准任务上,相比已有的模型表现出了更好的性能。
Mar, 2016
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
本文提出了一种基于深度度量嵌入的半监督学习算法,利用少量标注数据和无标注数据的相对距离关系约束,得到在欧氏空间内区分力强的分类器,并可用于基于最近邻分类的应用。
Nov, 2016
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
本文基于拓扑数据分析 (Topological Data Analysis,TDA) 技术提出了两种半监督学习方法,一种基于骨架結构和水斗距离,另一种考虑数据的连通性, 并将其应用于三个综合数据集和七个各色各样的结构体和图像数据集,实验结果表明,这些半监督方法能够有效地提高数据分类准确性达到 16%。
May, 2022
提出了一种基于图滤波器的半监督学习框架,能够将数据特征作为图信号注入图相似性中,并使用低通滤波器从图信号中抽取有用的数据表示,从而实现标签高效的半监督学习,同时能够改善现有的图卷积网络和标签传播方法的建模能力和减少模型复杂度。
Jan, 2019
本文提出了一种基于图形的半监督学习方法,用于家庭情景下的说话人识别,以利用未标记的语音样本,并在 VoxCeleb 数据集上的实验中显示出,与两种最先进的评分方法以及基于伪标签的半监督变量相比,该方法有效地利用了未标记的数据并提高了说话人识别的准确性。
Jun, 2021