Jul, 2023

面向不平衡的大规模多标签分类与部分标注的研究

PDF
TL;DR研究了如何使用部分标签对神经网络进行训练，解决多标签分类中的标签不平衡问题，并提出了伪标注技术、新的损失函数和动态训练方案来优化模型性能。在多个公开数据集上进行了广泛实验，结果显示该方法优于现有的一些最先进方法，甚至在部分标注情况下超越了使用完整标签训练的方法。
multi-label classificationlabel imbalancepartial labelspseudo-labeling techniquedynamic training scheme
发现论文，激发创造
  • 使用部分标签学习深度卷积神经网络进行多标签分类

    该研究提出了一种使用部分标签进行多标签分类的方法，其中新的分类损失利用了每个示例已知标签的比例，并通过课程学习的策略预测遗漏标签。通过实验发现，该方法在 MS COCO、NUS-WIDE 和 Open Images 等三个大规模多标签数据集上取得了良好表现。

    Feb, 2019

  • 使用类别感知选择性损失的带部分注释的多标签分类

    通过选择性地对待未标注标签和使用针对性的非对称损失函数来处理部分注释问题，本文在多标签分类数据集上取得了最先进的结果。

    Oct, 2021

  • 在线众包注释中不充分和模糊监督问题缓解方向

    通过众包标注系统和基于伪标签和对比学习的新方法，解决了由于用户知识、文化背景差异和获得监督信息的高成本而导致的标注信息不充分和含糊不清的问题，实现了半监督部分标签学习的最先进表现。

    Oct, 2022

  • 具有不完整标签分配的大规模多标签学习

    本文研究了多标签学习的不完整标签分配问题，提出了一种名为 MPU 的方法，该方法基于正数和未标记随机梯度下降和堆叠模型，可以同时有效且高效地考虑丢失的标签和标签之间的关联性，从而更好地解决了大规模多标签学习问题。

    Jul, 2014

  • 从部分注释的数据中学习多个密集预测任务

    本研究提出了一种标签高效的方法，针对部分注释的数据（即每个图像不都有所有任务标签），在多个密集预测任务上联合学习，通过保留输入图像的高级信息，并成功利用任务关系对多任务学习进行监督学习的多任务训练程序。我们严格证明了我们的方法可以有效地利用具有未标记任务的图像，并且在三个标准基准测试中优于现有的半监督学习方法和相关方法。

    Nov, 2021

  • 结合监督学习与强化学习用于多标签分类任务中的部分标签

    我们提出了基于强化学习的 RLAC 框架，通过结合强化学习的探索能力和监督学习的开发能力，解决了多标签正负样本学习问题，并在多个任务中进行实验证明了我们框架的泛化和有效性。

    Jun, 2024

  • 不确定性感知的部分标签学习

    在真实应用中经常遇到标签模糊的数据，其中不同的标注者会给出冲突的类别标签。部分标签学习允许在这种弱监督的环境下训练分类器。虽然最先进的方法已经具有良好的预测性能，但它们经常受到错误校准的不确定性估计的影响。然而，拥有良好校准的不确定性估计在医学和自动驾驶等关键领域中尤为重要。本文中，我们提出了一种基于邻近 - 邻居的部分标签学习算法，利用了 Dempster-Shafer 理论。对人工和真实数据集的大量实验证明，所提出的方法提供了良好校准的不确定性估计，并取得了有竞争力的预测性能。此外，我们证明了我们的算法是风险一致的。

    Feb, 2024

  • 从单一正样本实现多标签学习

    研究一种新的多标签图像分类问题，针对训练数据需要手动标注出所有适用标签的挑战，探索使用缺失标签进行学习的特殊情况，并尝试通过线性分类器和端到端微调深度网络提出新的损失函数来解决这个问题。结果表明，在一些情况下，使用更少的标签进行训练可以接近全部标签训练的性能水平。

    Jun, 2021

  • 部分标签回归

    本文提出了首个对部分标签回归进行研究的简单基线和改进型候选标签鉴定方法，并证明了这两种方法的模型一致性和收敛分析，在实验中验证了其有效性。

    Jun, 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