Jun, 2023

利用多实例弱监督学习潜在模型

PDF
TL;DR本文针对监督信号由多输入实例上的标签的转移函数 σ 生成的弱监督学习方案，提出了多实例偏标签学习（multi-instance PLL）问题，并给出了对于可能的未知转移 σ 的第一理论分析。通过使用一种在神经符号学中广泛使用的顶部 - k 替代损失，我们推导了基于 Rademacher 的错误界限，并进行了实证实验。
weakly supervised learningmulti-instance partial label learningtheoretical analysisunknown transitionneuro-symbolic integration
发现论文，激发创造
  • 基于实例依赖的部分标签学习

    本文提出了一种基于标签增强的偏标签学习方法，该方法针对实例相关性的标签进行了建模，并将标签分布作为标签增强过程的核心信息，以较高的精度训练了预测模型。

    Oct, 2021

  • 部分标签学习中真实标签的逐步识别

    本文提出一种新颖的部分标签学习框架，通过提出一种新的分类风险估计器、分析分类器一致性和建立估计误差界限来解决现有方法面对大规模数据计算复杂度瓶颈的问题，并通过实验验证其成为业界新的标杆。

    Feb, 2020

  • 实例相关部分标签学习的分解生成过程

    本文针对实例相关的问题提出了一种新的局部标签学习方法，基于一种通过概率分布模型显式建模候选标签生成过程的最大后验 (MAP) 方法进行研究。

    Apr, 2022

  • 少样本部分标签学习

    本研究提出了一种基于适应距离度量学习和样本特征的 Few-shot PLL 方法，通过学习多类别分类器，从过度标注的样本中训练生成去噪的分类器用于不精确标记的学习。实验结果表明在使用少量数据集的情况下，FsPLL 可以优于现有最先进的方法并快速适应新任务。

    Jun, 2021

  • 基于递归分离的不可靠部分标签学习

    针对部分标签学习中标签可能不可靠的情况，提出了一种名为 UPLLRS 的两阶段框架，其中自适应递归分离策略用于训练数据分成可靠和不可靠子集，消除不可靠的标签后在可靠子集上进行半监督学习。该方法在实验结果方面表现出最先进的性能，特别适用于高度不可靠的情况。

    Feb, 2023

  • 与合作伙伴的部分标签学习

    本文介绍了在部分标签学习中引入了一种新的合作分类器和 "相互监督" 范式，以帮助现有的部分标签学习方法识别和纠正错误标记的样本，并通过模糊机制来防止对特定标签的过度自信，从而显著提高了多种经典和基于深度学习的部分标签学习方法的性能和消歧能力。

    Dec, 2023

  • 不可靠局部标签学习的鲁棒表示学习

    利用不可靠偏标签强健对比学习方法增强模型对不可靠偏标签的鲁棒性，并结合基于 KNN 的候选标签集校正以及基于一致性正则化的标签消歧来提高标签质量和增强 URRL 框架中的表示学习能力。实验证明该方法在不同数据集上的性能超过了现有方法，并从期望最大化算法的角度对此方法进行了理论分析。

    Aug, 2023

  • 多个噪声部分标注者中学习

    本文提出了一种基于概率生成模型的能够估计多个噪声偏差的部分标注工具并扩展了程序化弱监督的基础，通过对 3 个文本分类和 6 个对象分类任务的评估，证明了部分标注的效果可达到 8.6% 的平均准确率提高，进而探讨了部分标注在零样本对象分类任务中的应用以及与最新零样本学习方法相比的效果。

    Jun, 2021

  • 间接监督信号下的可学习性

    本文提出了一个统一的理论框架，用于处理多类分类的问题，其中监督由包含零互信息的变量提供，这个问题的性质由金标签到间接监督变量的转移概率和学习者对转移的先验知识决定，我们的理论引入了一个称为分离的新概念，描述学习能力和泛化界限，并在一系列学习场景中展示了该框架的应用。

    Jun, 2020

  • 可证明一致的部分标签学习

    本文提出了候选标签集的生成模型，开发了两种崭新且可证明一致的 PLL 方法，这些方法优越的原因是它们与任何深度网络或随机优化器兼容，并且通过测试生成模型是否匹配给定候选标签集，能够回答 PLL 方法工作的数据集和失败时的原因等问题。

    Jul, 2020