Nov, 2023

异质属性空间的半监督学习任务元学习

PDF
TL;DR我们提出了一种元学习方法，用于半监督学习，该方法通过学习具有异构属性空间的多个任务来提高带有少量标记数据的任务的预期测试性能，并使用未标记数据以及不同任务的数据，其中任务之间的属性空间是不同的。
meta-learningsemi-supervised learningheterogeneous attribute spacesneural networkvariable-feature self-attention layers
发现论文，激发创造
  • 半监督式学习中的学习

    本文提出了一种基于元学习的半监督学习方法，将有标签和无标签数据的相似度转化为对应的语义相似度，并通过自监督学习的方法实现了对有标签数据的更新。实验证明该方法较之传统方法更为有效。

    Aug, 2020

  • 基于师生网络的半监督通用属性预测学习

    本文提出了一种多教师 - 单学生 (MTSS) 方法，通过使用标签嵌入技术，可以学习任务特定的领域专家，并通过迫使模型模仿领域专家所学习的分布方法，学习图像表示的有效方法，从而实现了对视觉属性预测问题的半监督学习。实验结果表明，该方法不仅在时尚属性预测的各种基准测试上取得了竞争性的性能，还提高了不可见领域的鲁棒性和跨域适应性。

    Jul, 2020

  • 不同标签空间中的成对序列分类任务的多任务学习

    本论文结合多任务学习和半监督学习，通过在不同标签空间之间引入联合嵌入空间以及学习标签嵌入之间的转移函数，使得我们能够共同利用未标记数据和辅助的已标记数据集。我们在多个序列分类任务中评估了我们的方法，并且超过了强单任务和多任务基线，实现了新的基于主题的情感分析最新成果。

    Feb, 2018

  • 元学习式的无监督学习

    该篇研究通过无监督元学习方法，利用自动构建的任务，从无标记数据获取表征，并应用于多种下游分类任务中，相对于其他四种无监督学习方法的表征学习，显示出更好的性能。

    Oct, 2018

  • 属性化多层异构网络的表示学习

    本研究提出一个统一框架用于学习复杂网络的多种嵌入表示，包括不同属性节点和多样的边类型，支持基于图的归纳和转导学习，通过对四个数据集的系统评估，证明了该框架的有效性和效率以及在阿里巴巴公司推荐系统上的应用。

    May, 2019

  • 一个层次化多任务方法用于从语义任务中学习嵌入

    本研究介绍了一种使用多任务学习方式训练的分层模型，在一组精心选择的语义任务上取得了最新领先的结果，包括命名实体识别、实体提及检测和关系提取，无需手工设计特征或使用外部 NLP 工具，同时在模型的底层引入归纳偏差，促使模型产生共享语义表示。

    Nov, 2018

  • 利用元路径进行异构图自监督辅助学习

    本文提出了一种基于元路径的自监督辅助学习方法来学习异构图上的图神经网络，通过预测元路径作为辅助任务来进行主任务的学习，可以自动平衡辅助任务的有效组合以提高主任务性能，实验证明该方法可以在异构图上改进链接预测和节点分类的性能。

    Jul, 2020

  • 分层结构元学习

    本文提出了一种基于梯度的分层结构的元学习方法，该方法通过任务聚类结构以及自适应知识传递来解决元学习中任务不确定性和异质性问题，并在玩具回归和少样本图像分类问题中取得了最优表现。

    May, 2019

  • 通过少样本任务的特征重新审视无监督元学习

    本篇论文提出了基于无监督元学习（UML）的通用嵌入向量生成方式用于 few-shot learning，并结合数据增强、半标准化相似度、混淆实例合成、任务相关嵌入变换等技术，取得了显著优于以前 UML 方法和甚至优于有监督方法的成果。

    Nov, 2020

  • 混合线性回归的元学习

    本篇研究了如何在少量标记数据的情况下进行监督学习，通过元学习来利用相似性，结合谱方法，提出了一种优雅的方法来充分利用小型数据集，只需适量的中型数据即可使大数量小标记数据的任务替代大数据任务。

    Feb, 2020