Sep, 2019

云上正负集压缩

PDF
TL;DR本研究提出了一种基于 PU 分类器和 RKD 方案的网络压缩方法，可在云上利用少量标记数据和大量无标签数据来加速深度学习模型训练，对观测数据的处理有较好的鲁棒性。实验证明该方法在 ImageNet 数据集可以在仅使用 8％标记数据的情况下，获得与 ResNet-34 等基线模型性能相当的高效模型。
convolutional neural networkscompressionacceleratationpositive-unlabeled settingrobust knowledge distillation
发现论文，激发创造
  • 正界未标示对比学习

    这篇论文研究并扩展了自监督预训练在受限标注数据上的应用，提出了一种新颖的 PU 学习目标正无标噪声对比估计（puNCE）以通过有限监督获得表示，实验证明 puNCE 在受限监督下持续优于现有无监督和监督对比基线。

    Jun, 2022

  • Self-PU: 自我增强和校准的正 - 无标记训练

    提出了一种新的自主 - 无监督 (Self-PU) 学习框架，该框架无缝地集成了自我训练和无监督学习以解决 Positive-Unlabeled（PU）学习问题，并在 Alzheimer 的疾病分类中实现了显着改善。

    Jun, 2020

  • 通过神经元正无标记学习实现文档集扩展的可扩展性评估和改进

    本研究提出了一种将信息检索 (IR) 扩展为正无标记 (positive-unlabeled, PU) 学习的方法，即从正样本数据 (即查询文档) 和非标记数据 (IR 引擎返回的结果) 中学习二元分类器，然后应用于文本分类问题中，该方法在 PubMed 文摘的细粒度主题提取中表现有效。

    Oct, 2019

  • 基于密度的正标样本增强的 PU 学习 (Dens-PU)

    本研究提出了一种名为 Dens-PU 的方法，依靠对正类数据的密度进行异常检测，提高正类数据的密度，从而将 PU 学习问题简化为二分类问题，并在基准图像数据集上取得了最先进的结果。

    Mar, 2023

  • 学习一种用于 PU 学习的分解表征

    本文介绍了一种解决正样本与未标记数据（常称为 PU 学习）的二元（正负）分类器学习问题的方法，通过学习基于神经网络的数据表示来实现未标记数据的投影，形成可以使用简单的聚类技术轻松识别的两个（正和负）簇，加强了学习的未标记数据簇之间的分离，实现了对模拟 PU 数据的改进性能的实验证明。

    Oct, 2023

  • 利用正例和无标签学习提高神经关系提取

    该论文提出了一种新颖的方法，使用强化学习来决定句子是否与给定关系相关，借助正 / 无标签学习，该方法全面利用未标记实例，并提出了两种新的正 / 无标签包表示形式，将这两种表示形式以合适的方式组合来进行包级别的预测。实验结果显示，与几个竞争性基线相比，该新方法显着而一致地提高了性能。

    Nov, 2019

  • 正例偏移情况下的正类和无标注数据学习

    本文介绍了使用正样本和未标注样本进行 PU 学习的方法，即使正样本在数据分布中不具有代表性，也可以通过只固定负类分布来解决正偏差问题。通过将负 - 未标注学习与未标注 - 未标注学习相结合或利用递归风险估计方法，可以解决正偏差问题。然后，作者提出一种通用的方法来解决 PU 风险评估的过度配合问题。实验结果表明，无论数据集如何，这两种方法都是有效的。

    Feb, 2020

  • 对无先验正样本无监督学习的对比方法

    我们提出了一种新的正未标化学习框架，通过预定义无关的表示学习来学习特征空间，然后采用伪标记技术将未标注样本进行分类，利用嵌入的集中性质。该方法在多个标准正未标化基准数据集上明显优于现有的方法，并且不需要先验知识或类先验的估计。值得注意的是，即使标注数据稀缺，我们的方法仍然有效，而大多数正未标化学习算法则表现不佳。我们还提供了简单的理论分析，解释了我们所提出算法的动机，并为我们的方法建立了泛化保证。

    Feb, 2024

  • 正标 - 未标分类的元学习

    我们提出了一种元学习方法，用于正负样本未标记分类，从而提高仅使用 PU 数据获得的二元分类器在未知目标任务中的性能。该方法使用包含正向、负向和未标记数据的相关任务，在使用 PU 数据调整模型之后，最小化了测试分类风险。通过使用神经网络将每个实例嵌入到任务特定空间中，我们以密度比率估计 PU 密度的形式估计了贝叶斯最优分类器，其解可作为闭式解求得。经验证明，该方法在一个合成数据集和三个真实数据集上表现优于现有方法。

    Jun, 2024

  • Dist-PU：基于标签分布视角的正 - 无标记学习

    本文提出了一种用于 Positive-Unlabeled 学习的标签分布一致性方法，通过对齐无标签数据和基础事实标签分布的期望值，实现了一定程度的学习监督，并进一步采用信息熵最小化和 Mixup 正则化来避免无标签数据上标签分布相同的平凡解法和缓解经验确认偏差。

    Dec, 2022