KDDAug, 2021

使用群体级别标签进行弱监督分类

PDF
TL;DR本文提出使用群体级别二元标签作为弱监督来训练示例级别二元分类模型的方法，并将群体级别标签建模为个体实例的条件嘈杂标签，并使用嘈杂标签来调整在强标记实例上训练的模型的预测。实验结果表明，该方法对地表覆盖映射等真实应用具有实用价值，无论类别不平衡是否存在。
weak supervisiongroup-level binary labelsbinary classification modelsclass conditional noisy labelsland cover mapping
发现论文，激发创造
  • 利用结构提高分类偏置数据的准确性

    通过假设在分组不可知的特征空间中分组投影的类条件不变性，我们提出了一种在半监督学习中利用数据内在分组结构来优化分类器的方法，从而可以提高 ROC 曲线下面积。

    Dec, 2022

  • 弱监督学习的约束标注

    本文提出了一种基于约束空间的弱监督学习方法，将不同的弱监督信号结合起来进行训练，在文本分类和图像分类任务中优于其他方法。

    Sep, 2020

  • 从群体统计数据中了解个体

    本研究提出了一种新的问题形式，解决了二进制多实例学习问题，并创建了一个基于概率的模型，通过有效的 MCMC 算法进行训练，利用组统计信息来学习实例级分类器，以推断个体的未知二进制标签。该模型在一般对象识别中得到了应用。

    Jul, 2012

  • 全局与局部的结合：基于类别感知弱监督的有效多标签图像分类

    该研究构建了一个统一框架，以执行有效的噪声提议抑制并相互作用全局和局部特征进行稳健的特征学习，包括使用类别感知弱监督来集中注意力于不存在的类别为本地特征学习提供确定性信息，以及开发跨粒度注意力模块来探索全局和局部特征之间的互补信息。在 MS-COCO 和 VOC 2007 两个大规模数据集上的广泛实验表明，该框架优于最先进的方法。

    Nov, 2022

  • 群体参与：一种弱监督深度学习框架用于从 Web 数据中学习

    本文介绍了一种鲁棒性强的、端到端的深度弱监督学习框架，该框架通过随机分组和注意力机制来有效减少 Web 图片注释的负面影响，实现了对嘈杂标签的有效抑制和准确图像标注，实验证明了该方法的卓越性能。

    Nov, 2016

  • 在部分群标签存在的情况下实现群体鲁棒性

    提出一种利用部分敏感信息训练深度神经网络并改善少数群体预测性能的方法。

    Jan, 2022

  • 多个噪声部分标注者中学习

    本文提出了一种基于概率生成模型的能够估计多个噪声偏差的部分标注工具并扩展了程序化弱监督的基础，通过对 3 个文本分类和 6 个对象分类任务的评估，证明了部分标注的效果可达到 8.6% 的平均准确率提高，进而探讨了部分标注在零样本对象分类任务中的应用以及与最新零样本学习方法相比的效果。

    Jun, 2021

  • 通过集合级标签增强实例级图像分类

    利用集合级标签增强实例级图像分类，提高分类性能，特别在组织病理学图像分类中，相对传统单样例标签方法，实验结果显示出巨大改进并与理论分析一致，为提升图像分类模型能力提供了有前景的方法。

    Nov, 2023

  • 一种统一的基于计数的弱监督学习方法

    通过计算确切地设为真输出的概率，我们提出了一种统一的弱标签计数弱监督学习方法，并在三种常见的弱监督学习范例上取得了最先进或高度竞争的结果。

    Nov, 2023

  • 对抗噪声标签的稳健特征学习

    This paper proposes a method to improve the robustness of deep learning models in the presence of noisy labels by utilizing unsupervised learning and cluster regularization.

    Jul, 2023