为广义目的发现解耦伪标签消歧和表示学习
本研究提出一种新的意图发现方法,通过多任务预训练和对比损失优化聚类来学习语义表述以扩展对话系统中支持的意图类别。实验结果表明,该方法在半监督和无监督场景下均优于现有方法。
May, 2022
通过解耦关注力,提出了一种新的方法 Decoupled Prompt Learning (DPL) 来增强 prompt learning 的泛化能力,并在多个基准测试中取得了最先进的性能。
Aug, 2023
本文提出一个 PiCO 框架,包括对比学习模块和新型基于原型的标签消歧算法用于解决部分标签学习的问题。该框架可以对相同类别的样例进行紧密对齐并促进标签消歧,并在嘈杂的部分标签学习任务中表现出色,甚至可以与完全监督的学习相媲美。
Jan, 2022
提出了一种基于校准的双原型对比学习方法,用于减少学习类别无关特征与不同域原型之间的域差异,对于域泛化语义分割,通过不确定性引导的对比学习和加权对比学习来校准原型权重,实验证明该方法在域泛化语义分割任务上具有优越性能。
Sep, 2023
使用对比学习策略和修改的吸附法模型,IntenDD 方法通过共享的话语编码骨干来实现任务导向的对话系统中对意图的识别,并在多个任务中实现了显著的性能提升。
Oct, 2023
通过原型引导的学习与重放和蒸馏方法,我们提出了一种连续的广义意图发现任务,旨在不断自动地从动态 OOD 数据流中发现 OOD 意图,并几乎不需要先前的数据将它们逐步添加到分类器中,从而朝着开放世界的动态意图识别迈进。
Oct, 2023
新意图发现(NID)通过有限标记和大规模未标记数据的帮助,旨在识别已知意图并推断出新的意图类别。针对这个任务,我们提出了一个旨在实现全球不同决策边界的鲁棒自适应典型学习(RAP)框架,以解决现有方法在捕捉群集友好的表示方面的问题。
Mar, 2024
该论文介绍了原型对比学习(PCL)这一无监督表示学习方法,PCL 不仅学习用于实例区分的低级特征,更重要的是它隐含地将数据的语义结构编码到了学习的嵌入空间中,该方法通过增加原型作为潜在变量来寻找最大似然估计,提出了一种基于对比学习的通用损失函数 ProtoNCE loss,此方法在多个基准测试中的表现均优于当前最先进的基于实例对比学习方法,在低资源转移学习方面有了显著的改进。
May, 2020
针对半监督单目三维物体检测,我们研究了伪标记方法,并发现了两个主要问题:三维和二维属性预测质量之间的不对齐以及伪标签导致的深度监督存在噪声,从而与其他可靠的监督形式产生显著的优化冲突。我们提出了一种新颖的解耦伪标记方法,该方法包括一个用于分别处理二维和三维属性的解耦伪标签生成模块和一个用于减轻由伪标签的深度监督引起的优化冲突的深度梯度投影模块。在 KITTI 基准测试上的综合实验证明了我们方法的优越性。
Mar, 2024
PaPi 是一种基于线性分类器和原型分类器的简单框架,用于处理部分标签学习任务,通过显式地鼓励表征反映类别间的视觉相似性,以在表示学习中提高性能并促进标签消歧,并已在各种图像分类任务中比其他 PLL 方法表现更优。
May, 2023