基于图形消歧的深度部分多标签学习
本论文提出一种新的 Partial Multi-label Learning 算法 (aby),通过利用 candidate label 的相关度和 non-candidate label 的不相关度,重新定义 ground-truth confidence 来降噪,然后在此基础上使用 unconstrained label propagation 和多标签预测器共同完成对 ground-truth confidence 和多标签的学习。实验结果表明,aby 的表现优于现有的 PML 方法。
Jun, 2020
这篇论文介绍了一种新颖的概率方法,名为 Partial Multi-label Learning(部分多标签学习),在这种方法中,每个训练实例对应一组候选标签,其中只有一部分是正确的;与现有方法相比,它不需要次优的消岐,因此可以应用于任何深度架构;在人工和真实数据集上进行的实验证明,Partial Multi-label Learning 在候选集中噪声高的情况下表现出色,优于现有方法。
Mar, 2024
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
我们提出了一种新颖的图表示学习方法,使得图神经网络模型能够在部分标记学习的背景下有效地学习有区别的信息,通过融入辅助训练和潜在因果提取,我们的方法可以过滤掉标签中的噪声,理论分析和实验证明了我们方法的优越性。
Mar, 2024
本文提出了一种名为网络协作与逐层消歧 (NCPD) 的新方法,针对存在歧义标注信息的部分标签学习问题进行模型训练,其中采用了逐步消歧策略,弱化了复杂实例带来的误差累积问题,并利用协作的人工神经网络实现更好的性能。实验结果表明,该方法优于现有的同类算法。
Feb, 2020
使用自适应估计技术估计正负样本比率,通过随机标签屏蔽技术优化训练过程,提出了一种通用的 Partial Label Masking 方法,从而平衡类别样本不均导致的性能下降问题,该方法在多标签和单标签分类数据集上,比现有方法表现更好。
May, 2021
本文研究了多标签学习中的标签缺失问题,针对这个问题提出了基于依赖图的两个凸传导公式来处理图像注释和基于标签的图像检索两种应用场景,并在多个基准数据集上进行了实验证明了本文所提方法在性能和缺失标签的鲁棒性方面显著优于现有方法。
Mar, 2018
本研究提出了一个新的部分标签学习的设置,其中只标注了训练图像的子集,每个图像只有一个正标签,其余训练图像保持未标注状态。通过使用端到端的深度神经网络 PLMCL,可以同时学习产生对部分标注和未标注的训练图像都具有信心的伪标签。通过考虑伪标签更新的速度,使用新的基于动量的法则来更新软伪标签,以帮助防止在早期训练阶段陷入低信心的局部最小值。此外,还提供了适应不同标签的逐渐递增学习的自适应 “自信度调度器”。实验结果表明,我们的 PLMCL 方法在三个不同数据集上的多标签分类中,表现比许多现有的基于多标签分类方法更好。
Aug, 2022
本文介绍了一种弱监督的多标签学习方法,可以有效地学习到精细的概念,并通过伪标签来训练分类器和引导主动学习策略。实验结果表明,该方法能够精确地恢复缺失的地面真实值,并显著提高了预测性能。
Sep, 2021
在多标签图像分类任务中,我们提出了一种名为 Probabilistic Multi-label Contrastive Learning (ProbMCL) 的新框架,通过结合有监督对比学习和混合密度网络来解决现有方法中的挑战,并在计算机视觉和医学影像领域的数据集上验证了其有效性和低计算成本。
Jan, 2024