通过使用适用于对标签顺序进行正确预测的分类模型的排名式评分函数，我们提出了一种新颖的符合性预测方法，该方法能够预测一组可能的标签，并获得相应的置信度得分以捕捉不确定性。我们的方法构建了在实现期望覆盖率的同时管理其大小的预测集合，通过对底层分类器的排名分布进行理论分析，我们提供了符合性预测集合的预期大小的理论分析。通过广泛的实验证明了我们的方法在各种数据集上优于现有技术，提供了可靠的不确定性量化。本文的贡献包括一种新颖的符合性预测方法、理论分析和实证评估，通过实现可靠的不确定性量化，推动了机器学习系统的实际部署。

Jul, 2024

自适应阈值伪标注策略和不可靠样本对比损失被提出用于半监督学习中，以解决图像分类中现有方法自定义 / 固定阈值或自适应调整方案可能导致性能不佳和收敛缓慢的问题，以及舍弃低置信度的未标记数据可能导致信息损失的问题。实验结果表明，该方法在部分标记的设置下优于其他方法。

Jul, 2024

图像作为数据在政治科学中变得越来越受欢迎。本文介绍了一种解决图像分类中透明度问题的两级分类方法，并应用于一个包含超过 14 万张图像的数据集，从中检测显示政治抗议的图像。这种方法具有改进透明度、区分抗议图像和非抗议图像以及比较不同国家的抗议行为等优势，为比较研究提供了新的机会。

Jul, 2024

通过使用 Fisher 信息框架，分析目标检测中量化对关键类别性能的影响，并提出了改进关键类别性能的方法，尤其在 4 位量化的 COOC Panoptic 数据集上取得了 10.4% 至 14.5% 的 mAP 提升。

Jul, 2024

本研究提出了多注意力增强的深度学习框架，用于从超声图像中进行乳腺癌肿瘤的分类和分割，实验结果显示其在分割和分类任务上取得了优异的性能。

Jul, 2024

通过建立理论框架，比较了两种主要生成式自监督学习范式 —— 自回归 SSL 和掩码 SSL 在分类和内容生成任务中的优势和局限性，并提出了多样性增强的自回归和可变长度掩码目标，显著提高了自回归 SSL 的分类性能和掩码 SSL 的生成性能。

Jul, 2024

通过使用 MaxVit，EfficientVit，EfficientNet，EfficientNetV2 和 MobileNetV3 等最新的高效架构，本研究旨在评估这些模型在白细胞分类中的性能，为当前方法提供更高效、可靠的替代方案，并探索创新的深度学习模型在血液分析中的应用。

Jun, 2024

通过对高斯随机场学习和泊松学习算法进行改进，我们在图形半监督学习领域提高了对少标签大数据集的分类准确性，并创建了更强大的算法，实验结果证明了这些方法在不平衡数据集环境下优于传统的图形半监督技术。

Jun, 2024

该论文扩展了对比差异学习 (PDL) 在分类任务中的应用，提出了一种元学习技术，通过解决原始训练数据的成对版本上的适当定义的（二元）分类问题，来诱导 PDL 分类器。在大规模的实证研究中，分析了 PDL 分类器的性能，并发现其在预测性能方面优于现有的方法。最后，提供了一个易于使用和公开可用的 PDL 的 Python 包实现。

Jun, 2024

该研究提出了一种精确的大脑肿瘤分类方法，通过融合预训练的 ResNet152V2 和修改的 VGG16 模型，在深度神经网络中保留细微的梯度以实现有效的肿瘤分类，并结合各种图像处理技术来改善图像质量，准确度分别达到 98.36% 和 98.04%，并且在资源受限的边缘设备上能够平滑部署。

Jun, 2024