多标签互补学习
本文提出了一个框架,它使用没有偏见的转移概率估计,提供了一个通用的方法来修改传统的损失函数,并扩展标准的深度神经网络分类器,从而使其能够学习偏差的互补标签,并且确保了使用互补标签学习分类器收敛于使用真实标签学习的最优分类器。综合实验表明,本文方法优于当前最先进的方法。
Nov, 2017
本文提出了一种名为补充标签学习的弱监督学习框架,能从任意数量的补充标签和无标签样本中进行无偏估计的分类风险,并能使用任意损失函数和模型进行训练,同时通过实验验证了该方法的有效性。
Jan, 2020
提出了一个监督学习框架,可以同时处理普通标签学习和补充标签学习。对于补充标签学习和普通标签学习相应的一对多和成对分类的损失函数,满足一定的可加性和对偶性,提供了一个直接桥接这些现有监督学习框架的框架。进一步推导了满足可加性和对偶性的任何损失函数的分类风险和误差界。
Feb, 2020
该论文研究了使用弱监督学习中的无偏风险估计器训练分类器的问题,解决了由于深度神经网络等模型的复杂性导致URE过度拟合的问题,并提出了一种新的SCL框架来降低方差和改善URE方法,从而实现了用更少的偏差换取更少的方差。
Jul, 2020
本文提出了一种从互补标签得到正确的概率估计,实现孪生标签学习的方法,并利用该方法证明了概率估计的正确性,解决了一些当前方法的限制,同时还提出了一种新的验证模型的方式。
Sep, 2022
通过分析互补标签对普通分类器训练的影响,本文提出了一种新颖的技术——互补标签增强,能有效地提高互补标签的共享效率并改善现有互补标签学习模型在实验上的表现。
May, 2023
本文提出了一种新颖的互补标签学习方法,不依赖于均匀分布假设或普通标签训练集,将互补标签学习表达为一组负无标签二元分类问题,并采用风险一致性方法和风险修正方法解决过拟合问题,实验证明我们的方法优于现有方法。
Nov, 2023
本研究解决了现有部分标签学习方法在测试集中新类出现时的不足,提出了一种带有理论保证的无偏风险估计器。这种方法能够通过区分已知类和未标记数据的分布来估计增强类的分布,并通过添加风险惩罚正则项来缓解过拟合问题。实验结果表明,该方法在多个基准和真实数据集上表现出色。
Sep, 2024