EMNLPMar, 2023

自适应负样本的开放世界分类

PDF
TL;DR提出基于自适应负样本 (ANS) 的方法，设计可在训练阶段生成有效的合成开放类别样本，并在不需要任何先前知识或外部数据集的情况下使用。采用辅助的一对其余二元分类器，通过利用生成的负样本避免了复杂的阈值寻找阶段。在三个基准数据集上进行的大量实验表明，ANS 比现有方法取得了显著的改进。
open world classificationnatural language processingadaptive negative samplesdecision boundarybinary classifiers
发现论文，激发创造
  • 通过对抗样本生成进行开放类别分类

    本文提出了一种基于对抗学习的 ASG 框架来进行开放式分类任务，使用无监督学习方法生成已知类别的正样本和负样本，并在此基础上进行有监督学习以区分已知类别和未知类别，并在多个数据集上进行了实验验证。

    May, 2017

  • 开放世界学习及其在产品分类中的应用

    本文提出一种元学习方法来解决开放世界学习中增量学习和未知类别拒绝的问题。该方法只需要训练一个元分类器，而不需要重新训练元分类器或一个新的分类器来涵盖所有老和新类别。实验证明了该方法的有效性。

    Sep, 2018

  • 开放世界识别

    通过对线性变换特征空间距离单调递减函数的和进行分组来解决 “开放空间风险” 和经验风险之间的平衡，提出了开放世界识别问题，提出了一种用于评估开放世界识别系统的协议，并演示 Nearest Non-Outlier 算法如何可靠有效地处理大规模的图像数据集。

    Dec, 2014

  • 通过未知利用在开放集领域适应中收紧分类边界

    通过提取未知实例的高置信度集合，并将其用作限制条件来收紧开放集域自适应方法的分类边界，改进了开放集域自适应方法。在包含 Office-31 和 Office-Home 数据集的广泛实验中，对 OVANet 进行评估，观察到连续改进的结果，Office-31 的准确率和 H-Score 绝对增益高达 1.3％，Office-Home 的准确率增益为 5.8％，H-Score 增益为 4.7％。

    Sep, 2023

  • 开放式半监督新类别发现

    该文提出了一种名为 OpenNCD 的新的半监督开放世界的未知类别发现方法，它是一种在多个原型上进行的渐进式双层对比学习方法，该方法由两个相互增强的部分组成。首先，介绍了一种双层对比学习方法，然后提出了一个可靠的原型相似度度量方法。对三个图像数据集进行了广泛的实验，结果表明该方法在开放世界的情况下特别有效，特别是在已知类别和标签稀缺的情况下。

    May, 2023

  • 开放世界半监督学习

    研究了在实际场景中半监督学习的一个基本局限性，即未标注的测试数据往往包含以前在标注训练数据中遇到的类。为了解决这个问题，提出了 ORCA，一种端到端的深度学习方法来处理未知类别在标注和未标注数据中的不一致性，并在图像分类数据集和单细胞注释数据集上实验，表明在 ImageNet 数据集上 ORCA 对于已知类别的改善为 25％，对于未知类别的改善为 96％。

    Feb, 2021

  • 通过未知感知训练实现开放集合关系抽取

    本文提出了一种未知关系感知培训方法，通过动态合成负实例来调整模型，以便更准确地检测未知关系。

    Jun, 2023

  • 适应任务的负样本预测在 Few-Shot 开放式识别中的应用

    该研究提出了一种基于负类样本生成和使用动态拒绝边界的少样本开放集识别方法，有效地处理开放集分类中的数据限制问题。

    Dec, 2020

  • 开放世界分类中的未见类别发现

    该论文研究开放世界分类问题，提出一种联合开放分类模型，该模型可以通过远距离测量函数识别未知类别的被拒绝的测试样本，并应用于聚类分析中，从而实现对未知类别的识别。

    Jan, 2018

  • 自适应决策边界的深度开放意图分类

    本文提出了一种后处理方法，通过利用已标记的已知意图样本对模型进行预训练，自动学习每个已知类别的自适应球形决策边界，从而均衡已知意图和未知意图之间的性能差异。实验证明，该方法在不需要未知意图样本和修改模型架构的情况下，依然能在三个基准数据集上显著提高分类精度。

    Dec, 2020