Jul, 2020

半监督学习中数据赋权：未标注数据的不同重要性

PDF
TL;DR本文研究如何通过基于影响函数的算法来为不同的未标记样本赋予不同的权重，提出一种快速有效的影响函数逼近技术，该技术在半监督图像和语言分类任务上表现优于最先进的方法。
semi-supervised learningweightinginfluence functionalgorithmclassification
发现论文，激发创造
  • 通过不确定性量化来辅助半监督学习

    本文提出了一种基于不确定性感知的新型无监督目标函数，结合最近 SSL 技术，在保证计算效率的同时，在基准数据集中表现优于或与现有最先进技术水平相当，尤其在复杂数据集如 CIFAR-100 和 Mini-ImageNet 上表现最好。

    Jul, 2022

  • 深度半监督学习算法的实际评估

    通过实现多种常用的 SSL 技术并在一系列实验中进行测试，研究发现简单基线方法的表现通常被低估，而 SSL 方法对标记和未标记数据的敏感性不同，当未标记数据集包含类外示例时性能可能会显著下降，因此我们提供了一个公共代码重现平台以帮助实现 SSL 技术在实际应用中的可行性。

    Apr, 2018

  • 强化学习引导的半监督学习

    提出了一种新颖的强化学习引导的半监督学习方法 RLGSSL，将半监督学习视为一个老虎机问题，并通过加权奖励的创新 RL 损失来自适应地指导预测模型的学习过程，通过在多个基准数据集上进行广泛实验表明，相较于最先进的半监督学习方法，我们的方法始终具有更好的性能。

    May, 2024

  • 类别不平衡的半监督学习

    本文提出一种称为类别不平衡半监督学习（CISSL）的任务，介绍了现有的类别不平衡 SSL 方法，并提出了一种所谓的压抑一致性损失（SCL）的正则化方法，该方法对于类别不平衡情况具有鲁棒性，在 CISSL 环境下比传统方法表现更好。

    Feb, 2020

  • SoftMatch: 半监督学习中解决数量 - 质量平衡问题

    本文介绍了基于样本加权统一公式的伪标签方法及其 inherent quantity-quality trade-off 问题，并提出了利用截断高斯函数对置信度加权以实现软的置信度阈值。加强了弱学习类别的利用，在图像分类、文本分类和非平衡分类等多种基准测试中都取得了显著的改进。

    Jan, 2023

  • InstanT：基于实例依赖阈值的半监督学习

    我们提出了一种基于实例的阈值函数，通过利用实例级别的模糊度和伪标签的实例相关错误率，为所有无标签实例设计了新颖的实例相关阈值函数，从而具有最高的自由度，同时为伪标签的正确性提供了有界的概率保证。

    Oct, 2023

  • 无监督选择性标记以实现更有效的半监督学习

    本文介绍了一种基于聚类原型的无监督选择性标注方法，通过它来提高半监督学习的效率。该方法能够在没有标记数据的情况下，选择代表性和多样性数据作为标记数据，显著改进了现有的半监督学习方法的性能。

    Oct, 2021

  • AllMatch: 充分利用所有未标记数据进行半监督学习

    现有的半监督学习算法采用伪标记和一致性调节技术来引入未标记样本的监督信号。本文通过对未标记数据的预测来估计模型的学习状态，并提出了一种基于类别的自适应阈值机制，同时设计了一种二元分类一致性调节方法来区分未标记样本中的候选类别。通过结合上述策略，我们提出了一种名为 AllMatch 的新型 SSL 算法，其改进了伪标记准确性并实现了未标记数据的 100% 利用率。我们在多个基准数据集上广泛评估了我们的方法，包括平衡和不平衡设置。结果表明，AllMatch 始终优于现有的最先进方法。

    Jun, 2024

  • 一种极为简单的半监督不平衡学习基线模型

    SimiS 是一种简单而有效的 SSL 算法，通过用伪标签补充数据以解决类别不平衡问题，在 CIFAR100-LT，FOOD101-LT 和 ImageNet127 数据集上分别相对现有方法提高了 12.8％，13.6％和 16.7％的表现。

    Nov, 2022

  • Dash: 带动态阈值的半监督学习

    本文介绍一种新的半监督学习框架 - Dash，该框架使用动态阈值来选择训练示例，以保证只有与标记数据相关的伪标签示例才会用于训练模型，并从非凸优化的角度理论上证明其收敛速度。实验结果也表明该方法的有效性优于当前最先进的技术。

    Sep, 2021