间接观测中的学习
该研究论文提出了 Weak Indirect Supervision (WIS) 这一问题,还设计了一种基于概率建模的 PLRM 方法来解决监督数据输出空间不匹配的问题。PLRM 方法在图像分类、文本分类和工业广告应用中均表现出超过基线模型 2% ~ 9% 的优势。
Oct, 2021
该研究论文展开了交互式弱监督学习框架的研究,该框架中,方法提议启发式方法并从用户每个被提议的启发式反馈中学习,其实验表明只需要少量的反馈迭代就可以训练模型达到高竞争的测试集性能,而不需要访问本文中使用的标签数据。
Dec, 2020
本文研究弱监督学习中复杂的训练方法,发现成功的关键在于干净的验证数据,即使只用五个样本的干净数据,已有方法的优势也会被削弱,因此提出了进一步研究方向建议。
May, 2023
本文提出了一个概率框架,将多实例学习扩展到多类分类和回归等其他问题,并引入一种新的一致性概念来表征估计器,证明了在温和的假设下具有良好的收敛性。实验证明,该方法在三种问题设置中具有有效性。
Apr, 2020
本文提出了一个统一的理论框架,用于处理多类分类的问题,其中监督由包含零互信息的变量提供,这个问题的性质由金标签到间接监督变量的转移概率和学习者对转移的先验知识决定,我们的理论引入了一个称为分离的新概念,描述学习能力和泛化界限,并在一系列学习场景中展示了该框架的应用。
Jun, 2020
本文介绍了一种在大数据情况下使用弱标签和少量真正标注数据训练神经网络的方法,通过训练目标网络和置信网络来控制目标网络的梯度更新,从而避免使用有噪音标记的数据更新网络权重会影响目标网络模型的品质。
Nov, 2017
该研究提出了一种半监督学习方法,利用一个 “目标网络” 和一个 “置信网络” 进行多任务训练,在大量弱注释未标注数据上优化目标网络,同时用置信网络的分数来加权目标网络的梯度更新,以避免噪声标签对目标网络模型的质量造成损害,并在评估中证明其相对基线的性能得到提高,同时从弱标签中提高了学习速度。
Nov, 2017