通过动态再平衡实现长尾部分标签学习
本文介绍了一种新颖的任务,即 Partial labeling and Long-Tailed Multi-Label Classification(PLT-MLC),并提出了一种端到端的学习框架 CO-MIC-Balance(Correction,Modification,Balance),用于同时解决长尾分布和部分标签的多标签分类问题,该框架通过比较预测置信度和类特定阈值来修正丢失的标签,使用多聚焦的修饰符损失来同时解决头部尾部不平衡和正负不平衡,并使用平衡分类器来保持所有样本的稳定性。实验结果表明,该方法在新创建的 PLT-MLC 数据集上具有更高的有效性和鲁棒性。
Apr, 2023
提出了基于最优传输的 SoLar 框架作为 PLL 问题的解决方案,该框架可用于弱监督情况下部分标签学习中的标签消岐,特别是在面对长尾分布和标签不完整情况下,该方法比先前的最新 PLL 方法表现出更高的性能。
Sep, 2022
通过结合软标签修复与多专家集成学习的有效的两阶段方法,我们介绍了一种克服先前方法限制的方法,用于处理真实世界数据集中存在的噪声标签和类别不平衡问题,实验证实了我们的方法的优越性。
Mar, 2024
通过 Open Long-Tailed Recognition++ 算法,实现在自然分布数据上的 imbalanced classification、few-shot learning、open-set recognition 和 active learning,并且能够在头尾识别之间共享视觉知识、降低尾部与开放类别的混淆,同时提供了基于视觉记忆的主动学习方案。
Aug, 2022
本文提出了一种新的分布校准方法,名为标签感知分布校准(LADC),它利用头部类的相关统计信息丰富尾部类,从而更准确地校准长尾分布的数据集。实验结果表明 LADC 显著优于现有的方法。
Nov, 2021
针对部分标签学习中标签可能不可靠的情况,提出了一种名为 UPLLRS 的两阶段框架,其中自适应递归分离策略用于训练数据分成可靠和不可靠子集,消除不可靠的标签后在可靠子集上进行半监督学习。该方法在实验结果方面表现出最先进的性能,特别适用于高度不可靠的情况。
Feb, 2023
本研究中,我们解耦学习过程,系统地探索不同平衡策略如何影响长尾识别的表示学习和分类器。我们的发现表明,数据不平衡在学习高质量表示方面可能不是问题,在使用最简单的实例平衡抽样进行学习表示的情况下,只需调整分类器就能实现强大的长尾识别能力,甚至可以胜过精心设计的损失、采样策略以及使用记忆组件的复杂模块。
Oct, 2019
本文提出了一种新的 “子类平衡对比学习(SBCL)” 方法,通过在表示空间中对头类聚类,以捕捉头类和尾类之间的两层类层次结构,实现了实例和子类平衡,并通过在不同类之间的子类对比学习来学习原始类标签。
Jun, 2023