May, 2023

BMB：用于不平衡半监督学习的平衡记忆库

PDF
TL;DR提出了一种基于平衡记忆库和自适应权重机制的半监督学习框架，其可以解决长尾数据对于 SSL 任务带来的数据不平衡问题，实验结果表明该框架在多个数据集上优于现有的方法。
semi-supervised learningdata imbalancelong-tailed recognitionmemory bankadaptive weighting
发现论文，激发创造
  • 一种极为简单的半监督不平衡学习基线模型

    SimiS 是一种简单而有效的 SSL 算法，通过用伪标签补充数据以解决类别不平衡问题，在 CIFAR100-LT，FOOD101-LT 和 ImageNet127 数据集上分别相对现有方法提高了 12.8％，13.6％和 16.7％的表现。

    Nov, 2022

  • ABC: 辅助平衡分类器用于半监督不平衡类别学习

    本文提出了一种可扩展的类不平衡半监督学习算法，它可以有效地利用未标记的数据，同时通过引入单层的辅助平衡分类器（ABC）来缓解类别不平衡问题，并使用一种新的半监督学习技术（一致性正则化）去平衡分类器，从而在四个基准数据集上实现了最先进的性能。

    Oct, 2021

  • BEM：长尾半监督学习的均衡和熵引导混合方法

    本文介绍了一种平衡和基于熵的混合（BEM）方法，以重新平衡长尾半监督学习中的类分布，并通过数据混合改善长尾半监督学习，实验证明 BEM 显著提高了各种长尾半监督学习框架，在多个基准测试中达到了最先进的性能。

    Apr, 2024

  • 具有偏差自适应分类器的不平衡半监督学习

    本文提出了一种基于偏差自适应分类器的伪标签半监督学习方法，通过引入一个偏差吸引器来自动补偿类别不平衡带来的偏差，从而提高了伪标签方法在类别不平衡情况下的性能。实验证明，该方法优于现有的基准方法。

    Jul, 2022

  • BaCon：通过均衡特征级对比学习提升非平衡半监督学习

    本论文讨论了在类别不平衡半监督学习问题中更平衡的特征分布的优势，并进一步提出了一种平衡特征层级对比学习的方法（BaCon）。该方法通过以对比学习方式直接规范实例表示的分布，达到了更好的效果。此方法在多个数据集上的综合实验证明了其有效性，并表现出比其他方法更好的鲁棒性。

    Mar, 2024

  • 专家 / 模仿网络混合：可扩展的半监督学习框架

    本文提出了一个 semi-supervised learning (SSl) 的新方法：Mixture of Expert/Imitator Networks，该模型通过利用大量未标记数据来训练 imitator 网络模拟 expert 网络的标签分布，从而提高 text classification 任务的性能，实验结果表明该方法可适用于多种深度神经网络模型，并且性能随未标记数据的增加而提高。

    Oct, 2018

  • 主体转移脑机接口的一种新的半监督元学习方法

    本文提出一种半监督元学习方法 (SSML) 来进行脑 - 计算机界面 (BCI) 的主体转移学习和校准。该方法能很好的解决现有模型在新主体上表现不佳的问题，并在三种不同的 BCI 范式测试中实现了显著的性能提升。

    Sep, 2022

  • DeCrisisMB：通过记忆库进行偏倚半监督危机推文分类的学习

    危机事件分析中，社交媒体平台、紧急救援组织和半监督模型的偏差处理方法对于危机推文分类具有重要意义。通过研究和比较不同的偏差处理方法，我们提出了一种简单而有效的 DeCrisisMB 方法，并通过广泛实验证明其在分发情况和超发情况下的优越性能。

    Oct, 2023

  • 简单去偏置的安全半监督学习：不要害怕未标记的数据

    提出一种去偏移的方法，适用于多数深度半监督学习方法，并提供了简单的理论保证和推广误差界限，以在各种情境中提供更好的模型校准，同时说明了流行的 SSL 方法的直觉解释。

    Mar, 2022

  • 类别不平衡的半监督学习

    本文提出一种称为类别不平衡半监督学习（CISSL）的任务，介绍了现有的类别不平衡 SSL 方法，并提出了一种所谓的压抑一致性损失（SCL）的正则化方法，该方法对于类别不平衡情况具有鲁棒性，在 CISSL 环境下比传统方法表现更好。

    Feb, 2020