May, 2023

CLCIFAR：CIFAR 衍生的基准数据集，带有人工注释的补充标签

PDF
TL;DR通过人工对补充标签的注释，本文设计了两个基于 CIFAR10 和 CIFAR100 的数据集，分析了收集数据集的经验转移矩阵，证明了各种 CLL 算法是否能够从实际世界中的补充数据集中学习。
complementary label learningmulti-class classifierhuman annotationnoisebias
发现论文，激发创造
  • 使用标签增强提高补充标签学习中的标签共享效率

    通过分析互补标签对普通分类器训练的影响，本文提出了一种新颖的技术 —— 互补标签增强，能有效地提高互补标签的共享效率并改善现有互补标签学习模型在实验上的表现。

    May, 2023

  • 从互补标签学习到概率估计的转化

    本文提出了一种从互补标签得到正确的概率估计，实现孪生标签学习的方法，并利用该方法证明了概率估计的正确性，解决了一些当前方法的限制，同时还提出了一种新的验证模型的方式。

    Sep, 2022

  • 学习互补标签

    该研究提出一种新的方法，即利用互补标签进行多类别分类的学习，探讨该方法在应用中的可行性以及解决互补标签信息量不足难题的方法，并通过实验证明了该方法的实用性。

    May, 2017

  • 带有偏差互补标签的学习

    本文提出了一个框架，它使用没有偏见的转移概率估计，提供了一个通用的方法来修改传统的损失函数，并扩展标准的深度神经网络分类器，从而使其能够学习偏差的互补标签，并且确保了使用互补标签学习分类器收敛于使用真实标签学习的最优分类器。综合实验表明，本文方法优于当前最先进的方法。

    Nov, 2017

  • 多标签互补学习

    本文提出一种新的问题设置方法，允许每个例子有多个补充标签（MCLs）并探讨两种学习 MCLs 的方法：对 MCLs 进行分解以便使用任何带有 CLs 的学习方法，或者使用一个无偏风险估计值并将每组 MCLs 一起处理.

    Dec, 2019

  • 学习补充标签的重访：一种通过负无标签学习的一致方法

    本文提出了一种新颖的互补标签学习方法，不依赖于均匀分布假设或普通标签训练集，将互补标签学习表达为一组负无标签二元分类问题，并采用风险一致性方法和风险修正方法解决过拟合问题，实验证明我们的方法优于现有方法。

    Nov, 2023

  • 从互补标签源域学习：理论与算法

    本文提出了一种新的领域自适应设置，旨在使用互补标签数据训练目标领域的分类器，并且首次证明了其理论界限；同时，利用提出的互补标签对抗网络 CLARINET 解决了完全和部分互补无监督域自适应问题，在手写数字识别和物体识别任务中表现出明显的优势。

    Aug, 2020

  • 任意损失和模型的互补标签学习

    本文提出了一种基于互补标签学习的框架，通过无偏估计分类风险来进行模型选择，且适用于线性 / 非线性模型或凸 / 非凸损失函数，实验表明该方法优于现有方法。

    Oct, 2018

  • 任意损失和模型的多补充、无标签学习

    本文提出了一种名为补充标签学习的弱监督学习框架，能从任意数量的补充标签和无标签样本中进行无偏估计的分类风险，并能使用任意损失函数和模型进行训练，同时通过实验验证了该方法的有效性。

    Jan, 2020

  • 双重对比学习：基于标签感知数据增强的文本分类

    本研究利用 DualCL 框架将分类器参数作为增广样本，与输入样本结合运用对比学习方法，在五个基准文本分类数据集上表现出较高的分类准确性，并证实了 DualCL 框架在学习具有判别性的表示方面的能力。

    Jan, 2022