Feb, 2023

近似贝叶斯最优伪标签选择

PDF
TL;DR本文介绍了一个拟会泛化误差的具有 Bayesian 框架的 pseudo-label 选择方法 (BPLS)，其使用解析近似来选择标签实例，并通过针对高维数据的实证评估来表明其优于传统的 PLS 方法。
semi-supervised learningpseudo-label selectionbayesian frameworkoverfittinghigh-dimensional data
发现论文，激发创造
  • 伪标签选择是一个决策问题

    伪标记、半监督学习、确认偏差、贝叶斯框架、决策理论

    Sep, 2023

  • 关于伪标签的辩护：一种基于不确定性的半监督学习伪标签选择框架

    本文提出一种基于不确定性的假标签选择框架，通过减少训练过程中的噪音来提高假标签的准确性，并可以生成负假标签用于多标签分类和负学习，相比于最近的半监督学习方法在 CIFAR-10、CIFAR-100、UCF-101 和 Pascal VOC 数据集上获得了很好的性能。

    Jan, 2021

  • 图数据中嘈杂伪标签的深入洞察

    给出伪标记策略对图学习模型的影响的深入见解，通过错误分析证明伪标记错误受伪标记阈值的置信度和多视图预测的一致性的限制，并在收敛性属性上理论上说明的基础上，提出了一种谨慎的伪标签方法，通过对置信度最高且多视图一致的样本进行伪标签，从而改进了图学习过程，在链接预测和节点分类任务上优于其他伪标记策略。

    Oct, 2023

  • 基于广义贝叶斯规则和软修正的半监督学习

    我们提供了对带软修订的 Gamma-Maximin 方法进行理论和计算研究的结果，该方法最近被提出作为半监督学习中伪标签选择（PLS）的稳健准则。与传统的 PLS 方法相反，我们使用先验的可信集（“广义贝叶斯”）来表示认知建模的不确定性，然后通过带软修订的 Gamma-Maximin 方法来更新这些先验集合。最终，我们从更新后的可信集中选择最有可能的伪标记数据，以反映最不利分布的光线。我们将根据 Gamma-Maximin 方法与其他方法进行比较构建了一个关于 logistic 模型类的具体实现，以比较方法的预测能力。观察结果表明，特别是当标记数据的比例较低时，带软修订的 Gamma-Maximin 方法可以取得非常有希望的结果。

    May, 2024

  • 一种通道集合方法：无偏差和低方差的伪标签对半监督分类至关重要

    我们提出了一种轻量级通道级集成方法，用于将多个次优的伪标签有效地合并为理论上保证的无偏差和低方差的伪标签，该方法可轻松扩展到任何半监督学习框架，并在 CIFAR10/100 上显著优于现有技术，无论是在效果上还是效率上。

    Mar, 2024

  • 基于实例依赖的部分标签学习

    本文提出了一种基于标签增强的偏标签学习方法，该方法针对实例相关性的标签进行了建模，并将标签分布作为标签增强过程的核心信息，以较高的精度训练了预测模型。

    Oct, 2021

  • 一种使用正则化的置信度预测的不确定性感知伪标签选择框架

    该研究提出了一种基于不确定性感知的伪标签选择框架，利用符合规范化算法产生的不确定性集合，修复了拟合不当的神经网络，从而减少嘈杂的训练数据。

    Aug, 2023

  • 基于能量模型的经过校准的置信度伪标签学习

    基于能量模型 (EBM) 的基于能量的半监督伪标签算法 (EBPL) 在网络训练期间通过共享特征提取部分来学习类别决策边界和输入数据分布，从而提高可信度校准，在半监督图像分类任务中优于现有的伪标签方法，具有更好的可信度校准误差和识别准确率。

    Apr, 2024

  • 部分标签学习中真实标签的逐步识别

    本文提出一种新颖的部分标签学习框架，通过提出一种新的分类风险估计器、分析分类器一致性和建立估计误差界限来解决现有方法面对大规模数据计算复杂度瓶颈的问题，并通过实验验证其成为业界新的标杆。

    Feb, 2020

  • LOPS: 基于学习顺序灵感的弱监督文本分类伪标签选择

    基于学习顺序的 LOPS 算法优化了基于伪标签的弱监督文本分类方法，通过选择先学的伪标签对模型进行训练，提高模型性能。

    May, 2022