Oct, 2021

ABC: 辅助平衡分类器用于半监督不平衡类别学习

PDF
TL;DR本文提出了一种可扩展的类不平衡半监督学习算法，它可以有效地利用未标记的数据，同时通过引入单层的辅助平衡分类器（ABC）来缓解类别不平衡问题，并使用一种新的半监督学习技术（一致性正则化）去平衡分类器，从而在四个基准数据集上实现了最先进的性能。
semi-supervised learningclass imbalancebalanced classifierconsistency regularizationstate-of-the-art performance
发现论文，激发创造
  • 具有偏差自适应分类器的不平衡半监督学习

    本文提出了一种基于偏差自适应分类器的伪标签半监督学习方法，通过引入一个偏差吸引器来自动补偿类别不平衡带来的偏差，从而提高了伪标签方法在类别不平衡情况下的性能。实验证明，该方法优于现有的基准方法。

    Jul, 2022

  • 类别不平衡的半监督学习

    本文提出一种称为类别不平衡半监督学习（CISSL）的任务，介绍了现有的类别不平衡 SSL 方法，并提出了一种所谓的压抑一致性损失（SCL）的正则化方法，该方法对于类别不平衡情况具有鲁棒性，在 CISSL 环境下比传统方法表现更好。

    Feb, 2020

  • BaCon：通过均衡特征级对比学习提升非平衡半监督学习

    本论文讨论了在类别不平衡半监督学习问题中更平衡的特征分布的优势，并进一步提出了一种平衡特征层级对比学习的方法（BaCon）。该方法通过以对比学习方式直接规范实例表示的分布，达到了更好的效果。此方法在多个数据集上的综合实验证明了其有效性，并表现出比其他方法更好的鲁棒性。

    Mar, 2024

  • AuxMix：半监督学习与无限制未标记数据

    本研究提出了一种叫做 AuxMix 的算法，该算法利用自监督学习任务来学习通用特征，以掩盖那些不同于标记集的语义上不相似的辅助数据，并正则化学习通过预测熵最大化来处理不同数据的不确定性，结果显示该算法相比现有的基线在 ResNet-50 模型上训练 CIFAR10 数据集时提高了 5％。

    Jun, 2022

  • 一种极为简单的半监督不平衡学习基线模型

    SimiS 是一种简单而有效的 SSL 算法，通过用伪标签补充数据以解决类别不平衡问题，在 CIFAR100-LT，FOOD101-LT 和 ImageNet127 数据集上分别相对现有方法提高了 12.8％，13.6％和 16.7％的表现。

    Nov, 2022

  • CoSSL: 基于共同学习表示和分类器的非平衡半监督学习

    本文提出了一种新颖的协同学习框架 (CoSSL)，通过分离表示学习和分类器学习来处理不平衡自监督学习。为了处理数据不平衡，我们设计了尾部特征增强 (TFE) 用于分类器学习，并且针对不同的转移测试分布进行了全面评估，实验证明我们的方法在各种不同的转移分布下都表现出优越的性能。

    Dec, 2021

  • BMB：用于不平衡半监督学习的平衡记忆库

    提出了一种基于平衡记忆库和自适应权重机制的半监督学习框架，其可以解决长尾数据对于 SSL 任务带来的数据不平衡问题，实验结果表明该框架在多个数据集上优于现有的方法。

    May, 2023

  • 带有少量标注的半监督学习

    本文提出一种新的 SSL 算法，通过引入转移学习和自主监督来初始化数据的表示，再利用新算法，交替拟合有标签和无标签点以降低过拟合和避免标签和无标签损失平衡的问题。实验证明，该方法在标准基准测试中表现优异，特别是在从其他任务或数据集中细化时，效果更佳。

    May, 2019

  • 同时对一切进行对齐、蒸馏和增强以进行不平衡半监督学习

    这篇研究提出了一种名为 ADALLO 的三方案框架，可解决长尾半监督学习中的类别不平衡问题，其中包括一个灵活的分布对齐机制、一个软一致性正则化机制和一个扩展未标记集的架构。该框架在不同程度的类别不平衡，不同数量的标记数据和分布不匹配的情况下在几个基准数据集上进行了评估，并展示了在大分布不匹配的情况下提高不平衡半监督学习表现的显著成果。

    Jun, 2023

  • 自监督学习对数据集失衡更具鲁棒性

    本文通过广泛的实验和理论分析，系统研究了在数据集不平衡的情况下自监督学习的表现，并通过半合成实验验证了 SSL 学习了与标签无关但可转移的特征，进而提出了一种新的加权正则化技术，显著提高了 SSL 表示的质量。

    Oct, 2021