Jul, 2023

通过乌托邦标签分布逼近学习主观时序数据

PDF
TL;DR该论文提出了 Utopia Label Distribution Approximation (ULDA) 算法来解决时序数据中标签分布偏差问题，ULDA 使用高斯核卷积和时间切片正常抽样 (TNS) 两个模块，并引入卷积权重损失 (CWL) 来实现模型训练的同时维护时空连续性，在两个时序回归任务和三个基准数据集上获得了最先进的性能。
subjective time-series regressionlabel distribution biasuldatime-series datamodel fairness
发现论文，激发创造
  • 针对长尾半监督学习的不确定性感知采样

    基于不确定性感知的动态阈值选择 (UDTS) 方法解决了半监督学习中类别不平衡的问题，通过引入模型预测的不确定性来调整伪标签选择阈值，提高了模型在长尾类别上的准确性。

    Jan, 2024

  • 无监督域自适应时间序列的对比学习

    本文提出了一种名为 CLUDA 的新颖的时序数据无监督领域适应框架，旨在使用对比学习框架来学习多变量时间序列的语境表示，并通过自定义最近邻对比学习来捕获源域和目标域之间的上下文表示变化，从而实现了在时间序列领域中学习域不变上下文表示的方法，并可用于对多种时间序列数据集进行评估以证明其有效性和卓越性能。

    Jun, 2022

  • 多样性帮助：基于分布偏移的数据增强实现无监督少样本学习

    本文提出了一种名为 ULDA 的无监督少样本学习框架，通过数据增强中的分布偏移建立预文本少样本任务，重视分布多样性，扩展训练而实现良好的泛化性能并获得了既定少样本学习任务中的最新结果。

    Apr, 2020

  • 面向长尾视觉识别的校准模型

    提出了两种新方法，一种是平衡取向的数据增强（Uniform Mixup），另一种是基于贝叶斯理论的 Bayes Bias，并通过理论和实验证明，这两种方法能够确保分类校准和提高性能。

    Nov, 2021

  • Unimodal-Concentrated Loss: 用于序列回归的全自适应标签分布学习

    通过三个原则，我们提出了一种全面自适应的标签分布学习方法，称为单峰浓缩损失方法，它使用学习排序策略获得单峰分布，并将估计误差和预测分布的方差集成到损失中，具有在年龄和头部姿态估计等回归任务上表现优越的结果。

    Apr, 2022

  • 特征与标签变化下的时间序列领域自适应

    利用复杂时间序列建立了第一个用于封闭集和通用领域不受监督域自适应的深度学习模型 RAINCOAT，可实现跨领域的时频特征对齐并通过识别标签偏移来解决标签偏移问题，最多可以提高 16.33% 的性能表现。

    Feb, 2023

  • 基于优化轨迹提纯的医学图像领域自适应分类

    我们提出了优化轨迹蒸馏，这是一种统一的方法，从新的角度解决了两个技术挑战。我们充分利用了梯度空间的低秩特性，并设计了一种双流蒸馏算法，以从可靠的源获得外部指导来规范不充分标注的域和类的学习动态。我们在多个任务上对所提出的方法进行了广泛评估，结果证明了其在临床和开放世界中的显著效果和改进。

    Jul, 2023

  • T-UDA：序列点云中的时态无监督领域适应

    通过结合输入数据的时间和跨传感器的几何一致性和均值教师方法，我们引入了一种新颖的领域适应方法，称为 T-UDA（时间 UDA），该方法在驾驶场景的 3D 语义分割任务中取得了显著的性能提升。

    Sep, 2023

  • 长尾视觉识别中的标签分布解耦

    该研究论文提出了一种基于标签分布解缠模型预测的方法 (LADE) 用于解决长尾视觉识别的问题，其在多个基准数据集上表现优于现有方法，具有很好的实用价值。

    Dec, 2020

  • 基于实例自适应技术的无监督领域自适应自训练

    本文提出了一种基于实例适应的自我训练框架，应用于语义分割的无监督域自适应问题，该方法采用了一种新的伪标签生成策略和区域引导正则化方法，以在 'GTA5 to Cityscapes' 和 'SYNTHIA to Cityscapes' 数据集上的任务中获得更好的性能表现。

    Aug, 2020