协作智能编排：基于不一致融合的半监督学习和主动学习

KDDJun, 2022

协作智能编排：基于不一致融合的半监督学习和主动学习

Collaborative Intelligence Orchestration: Inconsistency-Based Fusion of Semi-Supervised Learning and Active Learning

Jiannan Guo, Yangyang Kang, Yu Duan, Xiaozhong Liu, Siliang Tang...

TL;DR该研究提出了一种名为 IDEAL 的算法，采用不一致性为基础的虚拟对抗积极学习方法来探索半监督学习和积极学习的潜在优势，通过数据采样和增强策略来评估未标记样本的不一致性并取得了良好的实验效果。

Abstract

While annotating decent amounts of data to satisfy sophisticated learning models can be cost-prohibitive for many real-world applications. Active learning (AL) and semi-supervised learning (SSL) are two effective, but often isolated, means to alleviate the data-hungry problem. Some rec

active learning semi-supervised learning data sampling inconsistency-based virtual adversarial

发现论文，激发创造

基于一致性的半监督主动学习：朝着最小化标注成本

该论文提出了一种融合标注和模型训练的主动学习方法，结合半监督学习和基于一致性的样本选择度量，实现从未标注数据中选取最优数据来改善模型性能，在图像分类任务中实验结果显示出优异表现，同时探究了学习式主动学习方法的起点问题并提出了相关测量指标。

Oct, 2019

如何通过主动学习在半监督图像分类中克服确认偏倚

活跃学习和半监督学习在有限标记数据的真实世界应用中结合的潜力为在真实世界应用中使用有限标记数据进行学习的鲁棒方法提供了新的方向。

Aug, 2023

主动自监督学习：少量低成本的关系即可满足需求

通过 Positive Active Learning 策略，可以扩展自我监督学习（SSL）到在线学习，半监督和监督学习。该框架可嵌入先验知识并提供主动学习框架，从而实现低成本对数据集的注释。

Mar, 2023

ImageNet 规模下的主动学习

该研究通过将主动学习与自监督预训练相结合，并使用称为 Balanced Selection（BASE）的算法来解决类不平衡问题，提高图像分类性能，特别适用于工业级大规模数据标记和训练中。

Nov, 2021

基于一致性的半监督确信主动学习用于诊断放射照片分类

本文提出了一种结合半监督和主动学习的一致性半监督证据主动学习框架（CSEAL），通过建立在证据和主观逻辑理论上的预测不确定性，综合了半监督学习和基于不确定性的主动学习。我们在多标签胸部 X 射线分类任务上对该方法进行了广泛评估，并表明 CSEAL 相对于两个领先的半监督主动学习基线实现了实质性的性能提升。

Sep, 2022

自我监督辅助主动学习用于皮肤病变分割

本文提出了一种新的自我监督辅助主动学习框架，用于解决生物医学图像分割中标签不足的问题，该方法使用自我监督特征聚类来选择样本，实验证明其可在皮肤病变分割任务上取得显著改进。

May, 2022

深度半监督学习算法的实际评估

通过实现多种常用的 SSL 技术并在一系列实验中进行测试，研究发现简单基线方法的表现通常被低估，而 SSL 方法对标记和未标记数据的敏感性不同，当未标记数据集包含类外示例时性能可能会显著下降，因此我们提供了一个公共代码重现平台以帮助实现 SSL 技术在实际应用中的可行性。

Apr, 2018

专家 / 模仿网络混合：可扩展的半监督学习框架

本文提出了一个 semi-supervised learning (SSl) 的新方法：Mixture of Expert/Imitator Networks，该模型通过利用大量未标记数据来训练 imitator 网络模拟 expert 网络的标签分布，从而提高 text classification 任务的性能，实验结果表明该方法可适用于多种深度神经网络模型，并且性能随未标记数据的增加而提高。

Oct, 2018

朝着真实的半监督学习

本文提出一种基于伪标签的半监督学习方法，能够处理 open-world SSL 问题，并通过样本不确定性和类别分布先验知识等手段，为已知和未知类别的未标记数据生成可靠的类别分布感知型伪标签。该方法在多种常用数据集上表现良好，特别是在 CIFAR-100，ImageNet-100 和 Tiny ImageNet 数据集上的表现显著优于现有的最先进技术。

Jul, 2022

利用主动教学提升遥感图像中的半监督目标检测

我们提出了一种利用师生网络 (SSOD-AT) 来增强遥感图像半监督目标检测 (SSOD) 的新型主动学习 (AL) 方法，该方法利用 RoI 比较模块 (RoICM) 生成高置信度伪标签，同时使用 RoICM 识别不确定度前 K 个图像，并引入多样性准则来减少人工标注中的冗余。实验证明，我们的方法在遥感图像中的目标检测方面优于现有方法。

Feb, 2024