Oct, 2022

基于非对抗学习的智能物联网设备行为生物特征识别

PDF
TL;DR本文通过提出一种基于无对比度自监督学习的行为生物识别系统来提高标签效率，旨在解决行为生物识别系统所涉及的隐私和易用性问题，并通过实验证明了非对比学习表现优异，尤其在标记数据较少的情况下这种方法比监督学习和数据增强方法表现更佳。
behaviour biometricsauthenticationiot devicesself-supervised learningdeep learning models
发现论文，激发创造
  • 基于主题感知对比学习的生物信号处理

    本文提出了基于对比学习的无监督自适应方法来建模具有噪声标签和少数受试者的生物信号，通过特定于个体的对比损失和对抗性训练来提高模型性能，以及使用时间序列数据增强技术来完善对比损失，实现了对脑电解码和心电异常检测任务的良好分类结果。

    Jun, 2020

  • 无对照相似度学习方法：仅需正例

    本文提出了一种基于 BYOL 和 Barlow Twins 的非对比 SSL 方法，其不需要负样本并专注于匹配正样本，该方法在时间序列数据的相似性问题及时序表示学习中表现更好（ARI = 0.49）并证明了其实用性。

    Sep, 2022

  • 地理感知的自监督学习

    本研究旨在将对比学习方法应用于地理定位的数据集上，通过利用遥感数据的时空结构设计预处理任务和构建时空正对来消除对比学习和监督学习之间的差距，并在遥感图像分类、目标检测和语义分割等任务上展示该方法的有效性，同时还表明该方法可以应用于地理标记的 ImageNet 图像并提高相应任务的性能。

    Nov, 2020

  • 对比自监督学习综述

    本研究对自监督学习中采用对比学习方法的常见预训练任务及各种方法进行了广泛的回顾，并通过图像分类，目标检测和动作识别等多个下游任务的性能比较，探讨了当前方法的限制以及未来发展方向。

    Oct, 2020

  • 对比学习的隐私风险量化与减轻

    本文针对对比度学习的隐私问题进行了首次隐私分析，实验结果表明，相对于监督学习模型，对比学习模型更易受到属性推断攻击，但其会导致的成员推断攻击风险较小。为解决这一问题，提出了一种新的隐私保护对比度学习机制 Talos，通过对抗式训练成功地缓解了属性推断威胁，同时保持了其成员隐私和模型效用。

    Feb, 2021

  • 穿戴式小规模任务上的对比学习要素

    本文研究了自监督学习和对比学习在可穿戴设备活动识别任务上的应用。作者从算法级别和任务级别两个角度进行深入研究，并提出了开源 PyTorch 库 CL-HAR，旨在为未来的研究提供实用工具。

    Feb, 2022

  • 基于主题的非对比自监督学习用于 ECG 信号处理

    介绍了一种新的自监督学习方法和使用 transformer blocks 的模型，能够提取 ECG 信号并捕获不同的睡眠阶段和不同心律失常。

    May, 2023

  • 有限标注医学图像分割的全局和局部特征的对比学习

    本文介绍了一种利用自监督学习和对比学习实现的影像分割技术，该技术可以在大量没有标注数据的情况下学习，并且在三个磁共振成像数据集上验证了其有效性。

    Jun, 2020

  • 基于对比学习的无监督学习目标检测

    我们提出了一种通过无监督 / 自监督学习训练单阶段目标检测器的创新方法，该方法有潜力彻底改变标注过程，大大减少人工标注所需的时间和成本，并为之前难以实现的研究机会铺平了道路。与现有的主要针对分类任务的无监督学习方法不同，我们的方法承担了目标检测的独特挑战，开创了 intra-image 对比学习与 inter-image 对应的概念，能够获取目标检测所需的重要位置信息。该方法熟练地学习和表示这些位置信息，并生成信息丰富的热图。我们的结果展示了 89.2% 的卓越准确率，在计算机视觉领域的无监督目标检测领域突破性地提高了 15 倍，相比随机初始化。

    Feb, 2024

  • 遮蔽对比学习用于异常检测

    本文提出了一种基于自我监督学习方法的特定任务变体对比学习称为 “遮蔽对比学习”，其更适用于异常检测，并提出了一种自我集成推断方法，通过利用辅助自我监督任务学习的能力进一步提高模型性能，在各种基准数据集上的表现显著超过以往的最先进方法。

    May, 2021