Aug, 2023

非随机缺失标签上的多重填充半监督学习

HTML
PDF
TL;DR该论文提出了两种结合多重填补模型的新方法，以实现更高的准确性和更少的偏差，其中一种方法利用多个填补模型创建置信区间，并应用阈值来忽略低置信度的伪标签，另一种方法通过过滤不准确的数据和找到准确可靠的子集来减少偏差，在MCAR和MNAR情况下显示出高效，实验证明该方法在分类准确性和减少偏差方面优于现有方法。
发现论文，激发创造
  • 监督学习的缺失数据插补

    本文比较了不同的方法在监督分类任务中填补缺失分类数据的效果，并证明了方法可以提高预测准确性，并达到了Missing-data perturbation和k-nearest-neighbors imputation下准确率的最新水平。

    Oct, 2016

  • 带有少量标注的半监督学习

    本文提出一种新的SSL算法，通过引入转移学习和自主监督来初始化数据的表示，再利用新算法，交替拟合有标签和无标签点以降低过拟合和避免标签和无标签损失平衡的问题。实验证明，该方法在标准基准测试中表现优异，特别是在从其他任务或数据集中细化时，效果更佳。

    May, 2019

  • 类别不平衡的半监督学习

    本文提出一种称为类别不平衡半监督学习（CISSL）的任务，介绍了现有的类别不平衡SSL方法，并提出了一种所谓的压抑一致性损失（SCL）的正则化方法，该方法对于类别不平衡情况具有鲁棒性，在CISSL环境下比传统方法表现更好。

    Feb, 2020

  • 一种极为简单的半监督不平衡学习基线模型

    SimiS是一种简单而有效的SSL算法，通过用伪标签补充数据以解决类别不平衡问题，在CIFAR100-LT，FOOD101-LT和ImageNet127数据集上分别相对现有方法提高了12.8％，13.6％和16.7％的表现。

    Nov, 2022

  • 高维数据中自复制随机森林链的缺失值插补

    本文提出了一种基于多标签分类和随机森林的缺失值填充算法，适用于高维低样本数据，尤其适用于单核苷酸多态性数据集，实验证明其优于标准算法。

    Jan, 2023

  • 面向半监督学习的非随机缺失标签

    在MNAR场景中，通过基于类别转换跟踪的伪校正引导（PRG），利用马尔可夫随机游走建模的动态创建图来获取类别级的引导信息，从而提高MNAR中的伪标签质量并优化模型的性能。

    Aug, 2023

  • 使用训练标签进行填充，并通过标签填充进行分类

    研究论文旨在探讨如何使用标签信息来提高缺失数据的填补，并提出了一种同时处理标签和输入数据的分类策略，该策略可适用于连续、分类或混合类型的数据，并取得了令人满意的准确性结果。

    Nov, 2023

  • 追求更好分类的数据插补: 一种监督式基于核函数的方法

    提出一种新的框架，通过利用监督信息来完成缺失数据，使其有利于分类，并在四个真实数据集上证明了该方法的优越性能。

    May, 2024

  • 不完整多标签学习综述：最新进展与未来趋势调查

    多标签学习中的不完整多标签学习是一个突出的研究议题，本文回顾了不完整多标签学习的起源，分析了其面临的挑战，并从数据和算法的角度对不完整多标签学习进行了分类。此外，文中还提及了不完整多标签学习在不同领域的应用，并突出了几个潜在的未来趋势和未被探索的技术，为不完整多标签学习领域的新研究方向提供了新的启示。

    Jun, 2024

  • 学习标签细化和阈值调整以应对不平衡的半监督学习

    通过统计分析视角，我们发现现有的半监督学习算法在不平衡的数据集上生成的伪标签不可靠，针对此问题，我们提出SEVAL，一种基于验证数据的半监督学习伪标签优化方法，通过在训练数据集的一个平衡分类划分上学习细化和阈值参数，SEVAL在特定任务中适应性强，具有改进的伪标签准确性和每个类别伪标签的正确性，实验证明SEVAL在各种不平衡半监督学习情境中超过了现有技术，能有效提升各种半监督学习技术的性能。

    Jul, 2024