Feb, 2020

网络协作逐步消除歧义的局部标签学习

PDF
TL;DR本文提出了一种名为网络协作与逐层消歧 (NCPD) 的新方法，针对存在歧义标注信息的部分标签学习问题进行模型训练，其中采用了逐步消歧策略，弱化了复杂实例带来的误差累积问题，并利用协作的人工神经网络实现更好的性能。实验结果表明，该方法优于现有的同类算法。
partial label learningclassifiercandidate label setsdisambiguationartificial neural networks
发现论文，激发创造
  • 互补分类器引导的部分标签学习

    本文提出了一种基于对抗性学习与动态图的补充分类器方法，用于消除部分标签学习中假阳性标签的影响，并充分调查了补充标签集的有效性。实验表明，该方法在 4 个受控 UCI 数据集和 6 个真实世界数据集上具有优越性，并揭示了补充学习在部分标签学习中的实用性。

    May, 2023

  • 部分标签学习中真实标签的逐步识别

    本文提出一种新颖的部分标签学习框架，通过提出一种新的分类风险估计器、分析分类器一致性和建立估计误差界限来解决现有方法面对大规模数据计算复杂度瓶颈的问题，并通过实验验证其成为业界新的标杆。

    Feb, 2020

  • 增强的噪声标签学习的自适应部分标签学习和负样本学习集成

    通过集成部分标签学习和负向学习来革新嘈杂标签学习，通过自适应地将标签空间分解为候选标签和补充标签，并引入困难清晰度和软清晰度两种适应性数据驱动的标签模糊辨别范式来提高模型的鲁棒性，并通过一致性正则化术语维持标签可靠性。与其他最先进方法相比，NPN 表现出了优越性能。

    Dec, 2023

  • PiCO+：面向部分标签学习的对比标签消歧技术

    本文提出一个 PiCO 框架，包括对比学习模块和新型基于原型的标签消歧算法用于解决部分标签学习的问题。该框架可以对相同类别的样例进行紧密对齐并促进标签消歧，并在嘈杂的部分标签学习任务中表现出色，甚至可以与完全监督的学习相媲美。

    Jan, 2022

  • 与合作伙伴的部分标签学习

    本文介绍了在部分标签学习中引入了一种新的合作分类器和 "相互监督" 范式，以帮助现有的部分标签学习方法识别和纠正错误标记的样本，并通过模糊机制来防止对特定标签的过度自信，从而显著提高了多种经典和基于深度学习的部分标签学习方法的性能和消歧能力。

    Dec, 2023

  • 基于实例依赖的部分标签学习

    本文提出了一种基于标签增强的偏标签学习方法，该方法针对实例相关性的标签进行了建模，并将标签分布作为标签增强过程的核心信息，以较高的精度训练了预测模型。

    Oct, 2021

  • 针对部分标签学习的有效视觉表征

    PaPi 是一种基于线性分类器和原型分类器的简单框架，用于处理部分标签学习任务，通过显式地鼓励表征反映类别间的视觉相似性，以在表示学习中提高性能并促进标签消歧，并已在各种图像分类任务中比其他 PLL 方法表现更优。

    May, 2023

  • 基于图形消歧的深度部分多标签学习

    本文提出利用图形解析和深度模型相结合的方法 ——PLAIN 应对 PML 问题，提高其精确性和鲁棒性。该方法在多个合成数据集和三个实际 PML 数据集上都表现出显著的优越性。

    May, 2023

  • 可证明一致的部分标签学习

    本文提出了候选标签集的生成模型，开发了两种崭新且可证明一致的 PLL 方法，这些方法优越的原因是它们与任何深度网络或随机优化器兼容，并且通过测试生成模型是否匹配给定候选标签集，能够回答 PLL 方法工作的数据集和失败时的原因等问题。

    Jul, 2020

  • 图形部分标签学习与潜在原因发现

    我们提出了一种新颖的图表示学习方法，使得图神经网络模型能够在部分标记学习的背景下有效地学习有区别的信息，通过融入辅助训练和潜在因果提取，我们的方法可以过滤掉标签中的噪声，理论分析和实验证明了我们方法的优越性。

    Mar, 2024