Nov, 2020

他们并非毫无用处：将可转移的未标记数据用于类不匹配的半监督学习中的回收利用

PDF
TL;DR本研究提出了 “可转移的 OOD 数据回收”（TOOR）方法，采用敌对领域适应将可回收的 OOD 数据投影到 ID 数据和标记数据的空间中进行训练，从而实现了非相配类别 SSL 的改进表现，该方法在典型基准数据集的实验中得到了证明。
semi-supervised learningmismatched classestransferable ood data recyclingadversarial domain adaptationbenchmark datasets
发现论文，激发创造
  • 垃圾变宝藏：通过跨模态匹配收集 OOD 数据，用于开放式半监督学习

    本文提出了一种新的开放式半监督学习方法，通过预热训练、交叉模态匹配等手段，在不将数据集中的 OOD 样本完全过滤掉的前提下，实现了更好的特征学习并判断 OOD 样本，取得了比现有技术更优的性能。

    Aug, 2021

  • 关于伪标记在类别不匹配半监督学习中的应用

    该论文以 Pseudo-Labeling 为代表的 SSL 方法为研究对象，探究了未标记的 Out-Of-Distribution 数据对于类异构 SSL 方法的影响。研究发现，不平衡的伪标签是 PL 方法存在的主要问题。本文提出了两个改进方法：Re-balanced Pseudo-Labeling 和 Semantic Exploration Clustering，来解决这一问题，最终在不同基准测试中实现了超越监督基线和最先进性能的稳定改进。

    Jan, 2023

  • 一种用于开放集半监督学习的多任务课程框架

    本文提出了一种多任务课程学习框架，旨在解决开放集合 SSL 中的未知样本问题，通过同时训练模型的正常分类能力和未知样本的检测能力，成功地消除了未知样本的影响。

    Jul, 2020

  • 未标记数据的开放集半监督学习中的探索和利用

    本文探讨半监督学习中的开放集问题，提出了基于原型的聚类和识别算法以及基于重要性采样的方法，针对多项挑战性基准测试取得最优成果。

    Jun, 2023

  • 利用混合未标记数据检测已知和未知失配类别样本

    本研究主要解决有限标记数据和丰富无标记数据可用的更加现实的情况下的 OOD 检测问题。我们提出了一种自适应的基于样本熵和适当温度选择潜在 ID 和 OOD 样本的方法 (AIOL)，并利用数据扩充技术进一步提高了其性能。我们在多种基准数据集上进行的实验表明，我们的方法优于其他方法。

    Oct, 2022

  • 使用带外分布数据进行音频分类学习

    本文探讨了监督式机器学习中标注错误的一种情况，即数据集受到了分布外的污染，我们提出的方法使用辅助分类器来检测和重新标注这些污染数据，并在 FSDnoisy18k 音频数据集上实验，结果表明该方法显著提高了卷积神经网络的性能，与其他噪声抗干扰技术的比较也是鼓舞人心的。

    Feb, 2020

  • 不可靠的外部来源下的超出分布检测学习

    基于数据生成学习的辅助任务的 OOD 学习（ATOL）是一种强大的方法，可以消除误生成的 OOD 数据，从而使 ID 和 OOD 数据的区分实现真正的 OOD 检测。

    Nov, 2023

  • 无标签数据如何在区分分布之外的检测中发挥作用？

    使用无标签数据来规范机器学习模型已经显示出改善检测超出分布数据的安全性和可靠性的潜力。一个新的学习框架 SAL（分割与学习）通过从无标签数据中分离候选离群值然后使用这些候选离群值和标记的正态数据训练离群值分类器，理论上证明了 SAL 能以较小的错误率分离候选离群值，这为学习到的离群值分类器提供了泛化保证。实证结果表明 SAL 在常见基准测试上取得了最先进的性能。

    Feb, 2024

  • 自监督长尾学习中离分布数据的有效性

    本文提出了一种使用对比学习和越界数据解决长尾数据集中深度自我监督学习（Self-supervised learning）效果不佳的技术 COLT，实验表明该方法能够显著提高长尾数据集上自我监督学习的性能。

    Jun, 2023

  • 重新思考开放世界半监督学习：分布不匹配和归纳推理

    该研究通过解决开放世界半监督学习中的假设假设和评估方法的问题，以扩展实用的开放世界半监督学习。

    May, 2024