关于伪标签的辩护：一种基于不确定性的半监督学习伪标签选择框架

ICLRJan, 2021

关于伪标签的辩护：一种基于不确定性的半监督学习伪标签选择框架

In Defense of Pseudo-Labeling: An Uncertainty-Aware Pseudo-label Selection Framework for Semi-Supervised Learning

Mamshad Nayeem Rizve, Kevin Duarte, Yogesh S Rawat, Mubarak Shah

TL;DR本文提出一种基于不确定性的假标签选择框架，通过减少训练过程中的噪音来提高假标签的准确性，并可以生成负假标签用于多标签分类和负学习，相比于最近的半监督学习方法在 CIFAR-10、CIFAR-100、UCF-101 和 Pascal VOC 数据集上获得了很好的性能。

Abstract

The recent research in semi-supervised learning (SSL) is mostly dominated by consistency regularization based methods which achieve strong performance. However, they heavily rely on domain-specific data augmentations, which are not easy to generate for all data modalities.

semi-supervised learning pseudo-labeling uncertainty-aware negative learning multi-label classification

发现论文，激发创造

一种使用正则化的置信度预测的不确定性感知伪标签选择框架

该研究提出了一种基于不确定性感知的伪标签选择框架，利用符合规范化算法产生的不确定性集合，修复了拟合不当的神经网络，从而减少嘈杂的训练数据。

Aug, 2023

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

一种通道集合方法：无偏差和低方差的伪标签对半监督分类至关重要

我们提出了一种轻量级通道级集成方法，用于将多个次优的伪标签有效地合并为理论上保证的无偏差和低方差的伪标签，该方法可轻松扩展到任何半监督学习框架，并在 CIFAR10/100 上显著优于现有技术，无论是在效果上还是效率上。

Mar, 2024

提升伪标记和改善半监督领域泛化的鲁棒性

我们提出了一种新的半监督领域泛化方法，利用模型平均的不确定性引导伪标签技术，在有限标签的情况下缓解对源领域的过拟合，并在关键代表性领域泛化数据集上证明了其有效性。

Jan, 2024

伪标签选择是一个决策问题

伪标记、半监督学习、确认偏差、贝叶斯框架、决策理论

Sep, 2023

伪标记的自动课程学习用于半监督关键点定位

该研究采用一系列动态阈值来自动选择可靠的伪标签样本，形成一个学习课程，从而显著优于先前最先进的 SSL 方法，在六个 keypoint 本地化基准数据集上进行了广泛的实验。

Jan, 2022

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

PseudoSeg: 为语义分割设计伪标签

本文提出了一种利用伪标签进行半监督语义分割训练的策略，通过合理融合不同来源和强数据增强来生成实验结果验证有效性。

Oct, 2020

DP-SSL: 面向用少量标注样本提升鲁棒性的半监督学习

本文提出了一种新的半监督学习方法 DP-SSL，采用创新的数据编程（DP）方案为无标签数据生成概率标签，通过自动生成标签函数并解决不同标签之间的冲突，成功缓解了有限标签数据的问题，实验证明 DP-SSL 可以为无标签数据提供可靠标签和更好的分类性能。

Oct, 2021

InPL: 针对不平衡半监督学习首先伪标记正常值

提出了一种基于能量评分的伪标签方法（InPL）来应对非均衡半监督学习问题，该方法不依赖于模型置信度，而是根据样本在当前训练数据附近的相对位置进行评分，与目前的置信度评分方法相比，InPL 能够相对简单且显著地提高分类精度，并在 CIFAR10-LT 数据集上提高了 3％的绝对准确度和一个最具挑战性的场景下跑赢了最佳竞争对手。

Mar, 2023