Aug, 2023

通过协同专家实现图分类的长尾识别

PDF
TL;DR通过协同多专家学习 (CoMe) 提出了一种新的长尾图级分类框架，从头部和尾部类的视角发展出平衡对比学习和基于难类挖掘的个体专家分类器训练，并在多专家框架中进行门控融合和解耦知识蒸馏。通过在七个广泛应用的基准数据集上进行全面实验，证明了我们的 CoMe 方法相对于现有技术基准的优势。
graph classificationlong-tailed datarepresentation learningclassifier trainingcollaborative multi-expert learning
发现论文，激发创造
  • 在图上表征长尾类别

    本文提出了长尾数据在图分类中的泛化界限，为了解决这个问题，我们引入了多任务学习，并建立了一个通用框架 Tail2Learn，该框架通过分层任务分组模块和平衡对比学习模块，可以提高长尾类别在图上的性能。

    May, 2023

  • 长尾学习作为多目标优化

    通过多目标优化，我们提出一种梯度平衡聚类（GBG）策略，以应对现实世界数据中的类别不平衡和长尾分布问题，并在长尾学习中展现出比现有方法更优越的性能。

    Oct, 2023

  • 深度长尾学习综述

    本文系统总结了深度长尾学习的最新进展，围绕着类别再平衡、信息增强和模块改进三个主要类别对相关方法进行详细探讨，并通过提出的相对准确度评估指标对最先进的方法进行了实证分析，为深度长尾学习的应用和未来研究方向提供了重要的参考。

    Oct, 2021

  • 长尾识别中有效的协作学习

    该论文研究类别不平衡问题，提出基于比较两个分类器预测结果的重新加权蒸馏损失，以改善专家之间的知识转移不平衡问题，并结合对比代理任务支路实现特征质量的进一步提升，实验表明所构建模型达到了最优性能。

    May, 2023

  • 路由多样分布感知专家实现长尾识别

    本文提出了一种新型的长尾分类器 RIDE，通过多个专家、分布感知多样性损失以及动态专家路由模块来减小模型方差、缩小模型偏差与尾部的差距，相较于现有的方法，在 CIFAR100-LT、ImageNet-LT 和 iNaturalist 2018 基准测试上性能提高了 5％到 7％，并可应用于各种主干网络和长尾算法，具有较高的普适性和一致性性能。

    Oct, 2020

  • 长尾识别的表示与分类器解耦

    本研究中，我们解耦学习过程，系统地探索不同平衡策略如何影响长尾识别的表示学习和分类器。我们的发现表明，数据不平衡在学习高质量表示方面可能不是问题，在使用最简单的实例平衡抽样进行学习表示的情况下，只需调整分类器就能实现强大的长尾识别能力，甚至可以胜过精心设计的损失、采样策略以及使用记忆组件的复杂模块。

    Oct, 2019

  • SuperDisco: 超级类别发现改善长尾数据的视觉识别

    本文提出了 SuperDisco 算法，通过图模型发现超类表示，应用元学习方法元学习超类图来得到更稳健的超类图，对于处理长尾分布问题能够有显著提升，实验结果表明该算法在长尾 CIFAR-100，ImageNet、Places 和 iNaturalist 数据集上均取得最新的最优结果。

    Mar, 2023

  • LTE4G: 图神经网络的长尾专家

    本文提出一种名为 LTE4G 的新型 GNN 训练框架，能够同时考虑类别长尾性和度数长尾性，具有良好的节点分类效果。

    Aug, 2022

  • 一种用于长尾识别的具有互分支和内分支对比损失的双分支模型

    本文介绍了一种名为双分支长尾识别（DB-LTR）的简单而有效的模型，它包括一个不平衡学习分支和一个对比学习分支（CoLB），通过利用常见的不平衡学习方法来解决数据不平衡问题，并通过对比学习分支来改善模型对尾部类别的适应能力，并学习出一个具有很好表现特征空间和有区分度的决策边界。在 CIFAR100-LT、ImageNet-LT 和 Places-LT 三个长尾基准数据集上的大量实验证明，DB-LTR 相比比较方法具有竞争力且卓越。

    Sep, 2023

  • 基于几何先验引导的长尾分类特征表示学习

    利用特征分布的几何信息来引导模型学习尾类的潜在分布，并且通过特征不确定性建模以提高模型在测试领域中的泛化性能。

    Jan, 2024