AAAIDec, 2023

融合条件双模 GAN 和编程式弱监督

PDF
TL;DR我们通过使用标签模型生成的伪标签来实现一个噪声感知的分类器，利用噪声感知的分类器的预测结果训练标签模型并生成特定类别的图像。此外，我们还研究了在定义的不确定性预算内使用数据集子集来训练分类器对伪标签的影响。我们将该子集选择问题形式化为对伪标签熵的背包约束下的子模性最大化目标，进行了多个数据集的实验证明了我们方法相对于当前最先进的方法的有效性。
programmatic weak supervisiongenerative modelswsgandisentangled latent factorspseudo labels
发现论文，激发创造
  • 生成模型助力弱监督 (反之亦然)

    本研究提出了一种融合程序性弱监督和生成对抗网络的模型，通过对数据的离散潜变量和弱监督派生数据的标签估计进行对齐，从而更好地建模样本相关的弱监督结果的准确性，并通过合成样本实现了数据增强。实验结果表明，所提出的模型在多分类图像分类数据集上表现优异，同时提升了生成图像的质量和最终模型性能。

    Mar, 2022

  • 程序化弱监督综述

    本文综述了最近在程序化弱监督（PWS）方面取得的重要进展，特别介绍了该学习范例的简要概述并回顾了在该流程内的各个组成部分的代表性方法，还讨论了解决有限标记数据方案的补充学习范式及相关方法如何与 PWS 结合使用，最后鉴定了一些在该领域中仍未被探讨的关键挑战，希望能够激发未来的研究方向。

    Feb, 2022

  • 学习超标签模型以进行编程式弱监督

    本文提出一种超级标签模型，通过程序化弱监督方法中的标注函数抽象出来产生训练标签，可以在单个前向传递中推断出每个数据集的基本真实标签。使用了图神经网络，使模型预测对标签函数排列的顺序保持不变，从而在 14 个真实世界中的数据集上表现得比现有的最佳方法更具效率和精度。

    Jul, 2022

  • 一种基准生成式概率模型用于弱监督学习

    本研究提出了基于生成模型的自动标注方法，通过弱监督学习去减轻手动标注的负担，取得了比现有方法更好的性能表现，提高了机器学习项目的生产效率。

    Mar, 2023

  • 用双投影生成对抗网络进行条件图像生成

    本论文提出了一个双重投影生成对抗网络 (P2GAN) 模型，学习在数据匹配和标签匹配之间平衡的方法，并通过改善条件生成式对抗网络 (cGAN) 模型中的配对方法解决了分类困难的问题，实验结果表明其在多个真实数据集上具有良好的效果。

    Aug, 2021

  • 端到端弱监督

    通过聚合多个弱监督数据源，本研究提出一种直接使用神经网络重参数化概率先验标签，从而直接学习下游模型的端到端方法，取得了端模型性能和弱监督数据依赖性方面的改进。

    Jul, 2021

  • 通用弱监督

    该研究提出了一种通用的技术，以实现对任何标签类型的弱监督，同时仍提供实用灵活性、计算效率和理论保证，并应用于以往没有使用弱监督框架解决的重要问题，包括排序学习、回归和超似曲空间中的学习。

    Dec, 2021

  • 通过弱间接监督创建训练集

    该研究论文提出了 Weak Indirect Supervision (WIS) 这一问题，还设计了一种基于概率建模的 PLRM 方法来解决监督数据输出空间不匹配的问题。PLRM 方法在图像分类、文本分类和工业广告应用中均表现出超过基线模型 2% ~ 9% 的优势。

    Oct, 2021

  • 类别分割生成对抗网络

    本研究提出了通过增加聚类标签的方法增强条件 GAN 的性能，以达到联合学习和无监督学习中达到 CIFAR-10 和 STL-10 数据集的图像生成的最新水平，即使在无监督设置下同样适用 。

    Sep, 2017

  • 使用生成对抗网络进行半监督和弱监督语义分割

    本文利用大量未标注或弱标注的数据和生成式对抗网络作为背景，提出了一种半监督框架实现语义分割，其中利用推理出的大量虚假图片来强化真实数据的特征聚类；同时，通过提供分类级别信息，提高 GAN 生成图像的质量，进而改善了像素分类，该方法经过在几个挑战性的基准视觉数据集上测试，表现与当前的最先进语义分割方法相当。

    Mar, 2017