学习在噪声亲和力图上可靠地传播
本文研究任意异质性情况下的图标签噪声问题,提出了一个简单而高效的算法 LP4GLN,通过迭代步骤恢复图的同质性、修正噪声标签,并选择高可信度标签进行下一次迭代,最终在节点分类任务中取得高准确率。
Oct, 2023
在本论文中,我们提出了一种新的算法,通过在流形中优化标记数据的特征嵌入来最小化可微损失函数,从而使我们的新算法 “自适应锚标签传播” 在 1-shot 和 5-shot 设置中分别比标准标签传播算法提高了 7% 和 2%。我们在四个广泛使用的 few-shot 基准数据集(miniImageNet,tieredImageNet,CUB 和 CIFAR-FS)和两个常用的主干网络(ResNet12 和 WideResNet-28-10)上提供了实验结果。该算法的源代码可在此 https URL 找到。
Oct, 2023
利用标签效率的稀疏注释进行弱监督分割的研究越来越受到关注,以降低费力的像素级标注过程成本,而成对亲和建模技术在此任务中发挥了重要作用。本文将亲和建模作为亲和传播过程,提出了局部和全局成对亲和项,以生成准确的软伪标签,并开发了一种高效算法来显著降低计算成本。该方法可以方便地插入现有的分割网络。在三个典型的标签有效分割任务中进行的实验证明了所提方法的卓越性能。
Oct, 2023
本文提出了一个马尔可夫随机场模型来统一解释半监督学习中的标签传播和图神经网络算法, 并给出了一个新的算法叫做线性图卷积, 在实际数据上表现出色。
Jan, 2021
本研究提出了一种利用全局方式学习数据点之间的配对关系,通过空间广义传播网络(SGPN)实现对任意结构数据的语义分割的模型,该模块可以灵活地嵌入和联合训练许多类型的网络,如 CNN,并且实验证明,相较于不包含此模块的网络,SGPN 始终提高了像素和点云分割的性能,这表明我们的方法是模拟任意构造数据的全局配对关系的有效方法。
Sep, 2019
该论文提出了一个通用的框架,使用未标记的数据通过标签传播方法来增加训练数据,从而促进在目标识别、半监督学习、迁移学习和少样本学习等任务中的快速推广,并展示了标签传播方案在相似度度量从相关域转移的情况下非常有效。通过利用未标记数据提高各种任务的表现。
Dec, 2018
通过实验证明,在许多标准的节点分类基准测试中,结合忽略图结构的浅层模型和利用标签结构相关性的两个简单的后处理步骤可以比 GNN 在性能上优秀或者与之匹配,同时仅需使用一小部分 GNN 的参数并拥有更快的运行时间。
Oct, 2020
本研究利用基于流形假设的传导标签传播方法,对整个数据集进行预测,并利用这些预测值为未标记数据生成伪标签,并训练深度神经网络。经实验证明,这种方法在几种数据集中相对于当前的最新技术表现更好,特别是在有限标志数量的情况下。
Apr, 2019