AAAIJun, 2023

使用增强类学习的广义无偏风险估计器

PDF
TL;DR本文提出了一种通用的无偏风险估计器，可配备任意损失函数，同时保持理论保证，以解决采用增强类进行学习时常见的负样本问题。通过实验验证了该方法的有效性。
learning with augmented classesunbiased risk estimatormulti-class classificationgeneralized urerisk-penalty regularization term
发现论文，激发创造
  • 无偏估计可能具有误导性：一项使用互补标签学习的案例研究

    该论文研究了使用弱监督学习中的无偏风险估计器训练分类器的问题，解决了由于深度神经网络等模型的复杂性导致 URE 过度拟合的问题，并提出了一种新的 SCL 框架来降低方差和改善 URE 方法，从而实现了用更少的偏差换取更少的方差。

    Jul, 2020

  • 不确定性中寻求合适的平衡

    利用贝叶斯不确定性估计解决类别不平衡学习的问题，并且成功改进了面部验证、属性预测、数字 / 物体识别、皮肤病检测等六个基准数据集上的分类性能。

    Jan, 2019

  • 使用非负风险估计器的正无标记学习

    该论文提出了一种针对 PU 学习的非负风险估计方法，可以更好地应对过拟合问题，并允许使用深度神经网络等灵活的模型进行学习。实验结果表明，该风险估计方法可以有效地解决其无偏估计方法中存在的过拟合问题。

    Mar, 2017

  • 从两个未标记数据集进行监督分类中缓解过拟合：一种一致的风险校正方法

    本文介绍一个基于经验风险最小化的无标注二分类方法。该方法有时可能会出现严重的过拟合。因此，我们提出了一种校正函数来限制过拟合，并证明了校正后的风险估计器的一致性和估计误差界限。实验结果显示，我们的方法成功地缓解了 UU 方法的过拟合问题，并显著提高了分类准确性。

    Oct, 2019

  • 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

  • 基于不确定性引导的不均衡社会事件检测的边界学习

    提出了一种新颖的基于不确定性引导的类别不平衡学习框架（UCL_SED）及其变体（UCL-EC_SED），用于不平衡社交事件检测任务，通过增强模型对不确定类别的泛化能力来改进整体模型性能。在实验中，模型在几乎所有类别中，特别是那些不确定的类别中，显著改善了社交事件表示和分类任务。

    Oct, 2023

  • 从未标注的数据中以最少监督训练任何二元分类器

    该研究通过使用两组未标记的数据和基于经验风险最小化（ERM）的方法，提出了一种可以训练任意（从线性到深度）二分类器的学习方法，并证明了这种方法是一致的；实验证明，该方法可以训练深度模型并优于学习两组未标记数据的现有方法。

    Aug, 2018

  • 利用调节正则化的极大似然估计改进多类别分类器

    本文融合了前人的研究成果，提出了一种新的分类器，使用正则化参数有效地调整分类得分，并在不平衡数据的情况下提高了准确性。

    Oct, 2022

  • Stein 无偏风险估计的无监督学习

    通过使用 Stein's Unbiased Risk Estimator（SURE）的概念，无需真实样本数据，仅使用来自相同噪声分布的其他图片的测量结果，就可实现图像恢复和降噪的任务，并在 Deep Image Prior 等领域取得了部分进展。

    May, 2018

  • RATT: 利用未标记数据保证泛化

    本文介绍了一种利用无标签数据生成泛化界限的方法，并证明了其对 0-1 经验风险最小化和梯度下降训练的线性分类器是有效的。实证表明，该界限提供的泛化保证可以在计算机视觉和自然语言处理任务中跟踪实际表现。

    May, 2021