本文提出了一种基于互补标签学习的框架,通过无偏估计分类风险来进行模型选择,且适用于线性 / 非线性模型或凸 / 非凸损失函数,实验表明该方法优于现有方法。
Oct, 2018
该研究提出一种新的方法,即利用互补标签进行多类别分类的学习,探讨该方法在应用中的可行性以及解决互补标签信息量不足难题的方法,并通过实验证明了该方法的实用性。
May, 2017
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
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
本文提出一种新的问题设置方法,允许每个例子有多个补充标签(MCLs)并探讨两种学习 MCLs 的方法:对 MCLs 进行分解以便使用任何带有 CLs 的学习方法,或者使用一个无偏风险估计值并将每组 MCLs 一起处理.
Dec, 2019
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
本文研究多标记问题的通用经验风险最小化框架,提出了一种简单的框架,能高效地解决数据中存在缺失标记和标记量极大的问题。通过特定损失函数的结构,基于该框架设计了有效算法,进一步证明了该框架在存在缺失标记时的形式化过度风险边界。此外,对于低秩促进的迹 - 范数正则化,我们的风险界更紧,表现出更好的泛化性能。最后,在各种基准数据集上进行实验,证明了本方法的优越性以及其可扩展性。
Jul, 2013
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
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
文章提出了一种基于多任务弱监督的矩阵补全方法,通过建立弱监督任务之间的相关性解决弱监督准确性低的问题,从而提高模型训练的效果。实验结果表明,与传统的有监督方法相比,该方法能平均提高 20.2% 的准确率。