分类中标签的概率解耦
在数字病理学中,通过使用未标注的目标染色图像和标注的源染色图像,结合染色转换和无监督学习方法 ULSA,我们提出了一种半监督策略来实现有效的染色适应,从而在肾脏组织分割和乳腺癌分类方面实现了最先进的性能。
Jun, 2024
我们提出了一个名为 SSCBM 的新框架,通过在标记和未标记数据上进行联合训练,并在概念层面对未标记数据进行对齐,解决了现有 CBMs 训练中的限制。实验证明我们的 SSCBM 既有效又高效,在仅有 20% 标记数据的情况下,实现了 93.19%(在完全监督设置下为 96.39%)的概念准确性和 75.51%(在完全监督设置下为 79.82%)的预测准确性。
Jun, 2024
通过 SHeDD(Semi-supervised Heterogeneous Domain Adaptation via Disentanglement)这一端到端的神经网络框架,利用标记和未标记的来自不同数据源的数据,本研究旨在解决半监督异构领域适应(SSHDA)的挑战,在这种场景中,领域之间存在严重的分布偏差和不同的模态表达。
Jun, 2024
提出了一种基于自适应协同相关学习的半监督多标签特征选择方法(Access-MFS),用于解决高维度多标签数据中存在缺失标签样本的维数灾难问题,并通过引入广义回归模型和扩展的不相关约束,在标记数据中选择具有区分性但无关的特征,并同时保持预测和实际标签之间的一致性,从而适应性地学习样本相似性图和标签相似性图,以提高特征选择性能。大量实验结果表明,所提出的 Access-MFS 方法优于其他最先进方法。
Jun, 2024
Similarity-Navigated Adaptive Prediction Sets (SNAPS) 是一种基于特征相似性和结构邻域的新算法,通过聚合具有相同标签的节点的不符合性得分来提高预测集的有效性,并在保持有效覆盖的同时增加单例命中率。
May, 2024
本研究提出了一种创新的基于 Transformer 的半监督表格检测器,通过结合一对一和一对多分配技术的新型匹配策略提高了伪标签质量,在早期阶段显著提高了训练效率,进而确保了更好的伪标签进行进一步训练。该方法在多个基准数据集上进行了全面评估,包括 PubLayNet、ICADR-19 和 TableBank,在 TableBank 和 PubLaynet 数据集上以 30%标签数据实现了 95.7%和 97.9%的 mAP,较之前的半监督表格检测方法分别提升了 7.4 和 7.6 个百分点,结果明确展示了该方法的卓越性能,大幅超过现有所有先进方法。该研究在半监督表格检测方法方面取得了重要进展,为实际文档分析任务提供了更高效准确的解决方案。
May, 2024
该研究旨在研究半监督条件下图神经网络(GNNs)的集成学习。通过将多个薄弱学习器的输出组合起来,集成学习已经在传统机器学习中提高准确性和鲁棒性方面显示出优越性。然而,在集成不同的 GNN 模型时,由于 GNN 的推理能力较差,这个想法很具有挑战性。为了解决这个问题,在本文中,我们提出了一种高效的集成学习算法 E2GNN,以可学习的方式组合多个 GNNs,同时利用标记和未标记节点。通过开展全面的实验证明了 E2GNN 的优越性。
May, 2024
我们提出一种新颖、简单且广泛适用的半监督异常检测程序 SAnD(Simple Anomaly Detection),它由五个步骤组成:平滑滤波器、方差膨胀因子、马哈拉诺比斯距离、阈值选择算法和特征重要性技术,各自利用众所周知的统计工具。根据我们的了解,SAnD 是首个集成这些工具以识别异常并帮助解读其潜在原因的程序。我们展示了每个步骤如何解决从业者在检测工业环境中的异常时遇到的技术挑战,其中信号可能高度多重共线,分布未知,并且短期噪声与长期实际异常交织在一起。SAnD 的开发受到我们的工业合作伙伴的具体案例研究的启发,我们在此使用该案例研究来展示其有效性。我们还通过将其与来自异常检测文献的公共数据集上的一些半监督方法进行比较,评估了 SAnD 的性能。我们得出结论,SAnD 在异常检测和运行时间方面都是有效的,广泛适用,并且优于现有方法。
Apr, 2024
我们提出了一种新的半监督图像检索方法,通过在辅助数据中搜索参考图像及其相关目标图像,并学习基于大型语言模型的视觉差异生成器(VDG),以生成描述两个图像之间视觉差异(即视觉增量)的文本。VDG 具备流畅的语言知识和模型无关性,能够生成伪三元组来提升组合图像检索模型的性能。我们的方法显著改进了现有的监督学习方法,并在组合图像检索基准测试中取得了最先进的结果。
Apr, 2024
通过多尺度、通道注意力机制、空间注意力机制、全局上下文模块、特征细化模块、初始聚合模块和最终聚合模块等方式,逐渐完成从粗粒度到细粒度的变化特征提取;并使用均方差方法 (Mean Teacher Method) 将学生模型的参数更新为教师模型的参数,证实了 C2F-SemiCD 方法的显著有效性和高效性。
Apr, 2024