ACLJun, 2019

基于成本敏感正则化的标签混淆感知事件检测

PDF
TL;DR本文提出基于成本敏感正则化的监督事件检测方法，针对小部分混淆类型对之间的错误标签问题，引入成本加权项和两种衡量标签混淆的估算器显著提高了英语和汉语事件检测的表现，实验过程使用了 TAC-KBP 2017 数据集。
supervised event detectionmislabelingcost-sensitive regularizationconfusing type pairstac-kbp 2017 datasets
发现论文，激发创造
  • 众包标签深度学习：交叉熵最小化、可识别性和正则化

    本文提出了一种基于深度学习的端到端系统，利用嘈杂的众包标签，通过多个注释器特定的 label confusion 层和参数耦合的方式，与神经分类器同时学习标签纠正机制，并提出了 CCEM 的正则化变种，以增强目标模型参数的可识别性。

    Jun, 2023

  • 通过对比损失增强的批量关注，半监督地识别并描述新事件类型

    本文提出了一种新的半监督事件类型归纳方法，使用掩蔽对比损失学习事件提及之间的相似性以及通过近似数据中的底层流形来解离已发现的群集，从而实现事件类型归纳和 FrameNet 帧的链接。

    Feb, 2022

  • 通过正则化评估注释者混淆来从嘈杂的标签中学习

    本文研究了如何解决多个注释器提供的有噪声的标签的问题，提出了一种同时学习个体注释器模型和真实标签分布的方法，并通过正则化项促进收敛于真实注释器混淆矩阵的方法，在图像分类任务上实验结果表明，该方法能够估计注释器的技能并表现出良好的性能。

    Feb, 2019

  • 自适应的代价敏感的在线分类

    本文提出了一类基于自适应正则化的代价敏感在线分类算法，并将描绘技术引入到算法中以提高效率。通过针对真实世界的在线异常检测任务的应用，证明了该算法在各种领域中解决代价敏感在线分类问题的有效性和效率。

    Apr, 2018

  • 非参数主动学习用于成本敏感分类

    设计了一种用于成本敏感分类的通用非参数主动学习算法，通过构建每个标签的预测成本函数的置信区间，该算法选择最具信息量的向量点，通过仅查询可能是最小的预测成本来与其交互，证明了该算法在与向量空间的交互数量方面达到了最优收敛速率，并且在对 Tsybakov 的噪声假设的一般版本中，通过边界决策的概率质量明确表征了相对于相应被动学习方法的收益，并且通过提供匹配的（仅差对数因子的）下界证明了获得上界的接近最优性。

    Sep, 2023

  • 基于不确定性引导的不均衡社会事件检测的边界学习

    提出了一种新颖的基于不确定性引导的类别不平衡学习框架（UCL_SED）及其变体（UCL-EC_SED），用于不平衡社交事件检测任务，通过增强模型对不确定类别的泛化能力来改进整体模型性能。在实验中，模型在几乎所有类别中，特别是那些不确定的类别中，显著改善了社交事件表示和分类任务。

    Oct, 2023

  • 通过数据模糊化减轻标签噪声

    本文提出一种使用 “超集学习” 框架来处理标签噪声的方法，将目标信息进行模糊化，并添加额外的备选标签，以协同改善学习器的泛化性能。实验结果表明该方法在合成和真实数据上都能有效检测和纠正错误的训练标签。

    May, 2023

  • 基于代价敏感分类的拒绝分类

    本文提出了一个基于代价敏感分类器的集成学习方法，用于分类与拒绝模型，它允许灵活选择损失函数并且适用于二分类和多分类情形。实验结果表明我们提出的方法在不同类型的分类任务中表现良好。

    Oct, 2020

  • 面向成本和误差敏感分类的软方法论

    本论文提出了一种新颖的代价敏感分类方法，称为软代价敏感分类，通过多准则优化将代价和错误率相结合，可以改善现有的代价敏感分类算法，并且可以考虑加权错误率以解决不平衡分类问题。实验结果表明，该方法在测试错误率和测试代价方面都比现有的代价敏感分类算法更优秀。

    Oct, 2017

  • 半监督学习的对比正则化

    本文中提出的聚类特征对比正则化方法在半监督学习中取得了最先进的结果，通过聚类伪标签的归属特征来更新模型，以便更有效地将标记信息传播到更多未标记样本。

    Jan, 2022