May, 2019

半监督学习、因果关系和条件聚类假设

PDF
TL;DR本文通过同时使用因果特征和效应特征进行分类的方式，拓展了有关半监督学习的研究成果，并利用效应特征在给定因果特征的条件下的条件分布信息来提高分类精度。
semi-supervised learningcausal mechanismsclassificationeffect featuresconditional distribution
发现论文，激发创造
  • 因果和反因果学习

    本文研究了因果模型下的函数估计问题，进一步探讨因果知识对半监督学习、知识迁移和协变量转移等问题的影响，并通过实证结果支持了半监督学习的假设。

    Jun, 2012

  • 半监督预测聚类树用于（分层）多标记分类

    本文考察了在复杂预测任务中半监督学习的应用，提出了一种基于预测聚类树的（分层）多标签分类方法，并通过实验评估证明了该方法及其集成学习的显着优势。此外，该方法具有可解释性和时间复杂度优势。

    Jul, 2022

  • 基于预训练模型的半监督学习的渐进特征调整

    建议使用伪标签从无标签数据中更新特征提取器，以解决预训练特征表示所带来的偏见，并通过实验证明该方法优于现有解决方案。

    Sep, 2023

  • 专家 / 模仿网络混合：可扩展的半监督学习框架

    本文提出了一个 semi-supervised learning (SSl) 的新方法：Mixture of Expert/Imitator Networks，该模型通过利用大量未标记数据来训练 imitator 网络模拟 expert 网络的标签分布，从而提高 text classification 任务的性能，实验结果表明该方法可适用于多种深度神经网络模型，并且性能随未标记数据的增加而提高。

    Oct, 2018

  • 类别不平衡的半监督学习

    本文提出一种称为类别不平衡半监督学习（CISSL）的任务，介绍了现有的类别不平衡 SSL 方法，并提出了一种所谓的压抑一致性损失（SCL）的正则化方法，该方法对于类别不平衡情况具有鲁棒性，在 CISSL 环境下比传统方法表现更好。

    Feb, 2020

  • 少样本零样本情境中的半监督学习

    我们通过引入额外的熵损失构建了一个分类器，用于对来自已知和未知类别的数据进行分类，从而改进了现有的半监督学习方法在已知和未知类别的分类中的表现。通过在 CIFAR-100 和 STL-10 两个基准图像分类数据集上的实验证明，我们相对于现有的 SSL、开放集合 SSL 和开放世界 SSL 方法取得了巨大的改进。当标记数据非常有限（每个类别 1-25 个标记示例）时，进步最为显著。

    Aug, 2023

  • 寻求结构：联合学习图形结构和半监督分类

    本文提出了一种新的并行图学习框架 (PG-learn)，具有基于梯度的优化边缘权重和自适应资源分配方案的并行超参数搜索算法，能显著提高图构建的准确性和高效扩展到高维问题。

    Sep, 2019

  • 结构与表示之间因果不一致的 SSL 框架

    通过交叉深度学习和因果发现，我们在非统计数据形式如图像、视频和文本中阐明因果关系，特别是在不确定的数据形式中，提出干预策略和因果一致性条件，并设计了自监督学习框架，并在监督专用模型和大型语言模型上实现了两个示例，通过评估纯不一致性表现和其他三个下游任务，验证了我们方法的有效性，揭示了因果一致性条件在各个领域中可能发挥的影响力。

    Oct, 2023

  • CA-SSL: 无类别偏见半监督学习用于检测和分割

    提出一种 CA-SSL 框架，采用分离训练策略，包括热身训练阶段，在保留定位训练信号的同时忽略伪标签中的类信息，实现了从未标注的数据中提取训练信号的最优平衡；在 FCOS 目标检测等任务上，相比于 ImageNet 预训练基线模型，该模型在 3.6M 无标注数据集上实现了 4.7％ 的显著性能提升。

    Dec, 2021

  • 带有少量标注的半监督学习

    本文提出一种新的 SSL 算法，通过引入转移学习和自主监督来初始化数据的表示，再利用新算法，交替拟合有标签和无标签点以降低过拟合和避免标签和无标签损失平衡的问题。实验证明，该方法在标准基准测试中表现优异，特别是在从其他任务或数据集中细化时，效果更佳。

    May, 2019