CVPRApr, 2023

在部分标注的多标签分类中弥合模型解释之间的差距

PDF
TL;DR研究表明，在多标签分类领域中，将未观察到的标签假定为负标签会引入标签噪声，因此提议通过提高部分标记训练的模型的属性分数以改善其性能，并在三个不同数据集上进行测试。
partially annotated multi-label classificationlabel noisemodel's explanationattribution scoresboosting
发现论文，激发创造
  • 使用类别感知选择性损失的带部分注释的多标签分类

    通过选择性地对待未标注标签和使用针对性的非对称损失函数来处理部分注释问题，本文在多标签分类数据集上取得了最先进的结果。

    Oct, 2021

  • 面向不平衡的大规模多标签分类与部分标注的研究

    研究了如何使用部分标签对神经网络进行训练，解决多标签分类中的标签不平衡问题，并提出了伪标注技术、新的损失函数和动态训练方案来优化模型性能。在多个公开数据集上进行了广泛实验，结果显示该方法优于现有的一些最先进方法，甚至在部分标注情况下超越了使用完整标签训练的方法。

    Jul, 2023

  • 多个噪声部分标注者中学习

    本文提出了一种基于概率生成模型的能够估计多个噪声偏差的部分标注工具并扩展了程序化弱监督的基础，通过对 3 个文本分类和 6 个对象分类任务的评估，证明了部分标注的效果可达到 8.6% 的平均准确率提高，进而探讨了部分标注在零样本对象分类任务中的应用以及与最新零样本学习方法相比的效果。

    Jun, 2021

  • 在线众包注释中不充分和模糊监督问题缓解方向

    通过众包标注系统和基于伪标签和对比学习的新方法，解决了由于用户知识、文化背景差异和获得监督信息的高成本而导致的标注信息不充分和含糊不清的问题，实现了半监督部分标签学习的最先进表现。

    Oct, 2022

  • 使用部分标签学习深度卷积神经网络进行多标签分类

    该研究提出了一种使用部分标签进行多标签分类的方法，其中新的分类损失利用了每个示例已知标签的比例，并通过课程学习的策略预测遗漏标签。通过实验发现，该方法在 MS COCO、NUS-WIDE 和 Open Images 等三个大规模多标签数据集上取得了良好表现。

    Feb, 2019

  • 预训练的视觉语言模型作为部分注解器

    本研究探讨了一种新颖的 “预训练标注 - 弱监督学习” 范式，通过在图像分类任务中基于 CLIP 使用多个提示模板对图像样本进行标注，进而获得多个候选标签以形成含噪部分标签的数据集，并设计了一种协作一致性正则化算法来解决这个问题。实验表明，该方法在无需额外标签信息的情况下显著优于零样本推理，优于其他弱监督学习和少样本微调方法，并获得了更小的模型。

    May, 2024

  • 从单一正样本实现多标签学习

    研究一种新的多标签图像分类问题，针对训练数据需要手动标注出所有适用标签的挑战，探索使用缺失标签进行学习的特殊情况，并尝试通过线性分类器和端到端微调深度网络提出新的损失函数来解决这个问题。结果表明，在一些情况下，使用更少的标签进行训练可以接近全部标签训练的性能水平。

    Jun, 2021

  • 基于概念的弱监督多任务学习的可解释性

    通过使用多任务学习方法，我们提出了一种新的神经网络架构用于支持高层次的概念解释，从而在欺诈检测中提高解释性能。

    Apr, 2021

  • 结合监督学习与强化学习用于多标签分类任务中的部分标签

    我们提出了基于强化学习的 RLAC 框架，通过结合强化学习的探索能力和监督学习的开发能力，解决了多标签正负样本学习问题，并在多个任务中进行实验证明了我们框架的泛化和有效性。

    Jun, 2024

  • 不同标注数量下的学习：从零到多标签

    该研究论文通过在一小部分训练样例中为每个样例分配多个标签的方法，提出可通过利用不同标注数量的训练样例，设计高效的学习算法，提高自然语言处理的任务表现。

    Sep, 2021