Feb, 2024

ROG$_{PL}$：基于区域原型学习的健壮开放集图学习

PDF
TL;DR基于原型学习的 ROG$_{PL}$ 统一框架用于解决复杂嘈杂图数据中的鲁棒开放集节点分类问题。该框架包括通过标签传播去噪和通过区域学习开放集原型两个模块，以解决噪声引起的类内差异问题和类间混淆问题。
open-set graph learningnode classificationcomplex noisy graph datarog$_{pl}$prototype learning
发现论文，激发创造
  • 开放式标签噪声可以提高对内在标签噪声的稳健性

    本文在弱监督学习中提出了使用 Open-set 动态噪声标签的正则化方法 ODNL，使深度神经网络拥有更高的容错能力，并且能够在标签噪声下取得更好的 Out-of-Distribution 检测表现。

    Jun, 2021

  • 开放世界的终身图学习

    我们在开放世界场景中研究了终身图形学习的问题，通过利用 ODD 检测方法来识别新的类别，并将现有的非图形 ODD 检测方法应用于图形数据中，通过聚合图形邻域信息与 OOD 检测方法相结合来进行新类别的检测。我们提出了一种弱监督相关反馈（Open-WRF）方法，用于减少 OOD 检测中阈值的敏感性，并通过在六个基准数据集上的评估结果证明我们的方法在 OOD 评分的邻域聚合上的性能优于现有方法，同时我们证明了我们的 Open-WRF 方法在阈值选择上更为鲁棒，并分析了图形邻域对 OOD 检测的影响。我们的聚合和阈值方法与任意图形神经网络和 OOD 检测方法兼容，使得我们的方法适用于许多实际应用。

    Oct, 2023

  • 通过鲁棒原型挖掘的开放集识别

    本文提出了一种新的原型挖掘和学习（PMAL）框架，通过高质量和多样性的原型集来优化嵌入空间，以区分已知和未知对象，实验证明了该框架相对于现有技术的显着性能提升。

    Mar, 2022

  • P-ODN：基于原型的开放深度网络用于开放集识别

    本文提出原型为基础的开放式深度神经网络（P-ODN）进行开放集识别任务，将原型和原型半径一起训练，指导卷积神经网络获取更具有辨别性的特征，并采用基于特征和原型之间的距离度量的多类三元组阈值方法检测未知，从而动态包含新类别，实验结果表明，P-ODN 可以有效地检测未知，并且只需要少量的样本进行人工干预来识别新类别。

    May, 2019

  • NGC：基于开放世界嘈杂数据的统一学习框架

    本文旨在研究学习包含混合 IND 和 OOD 噪声数据集的分类器和 OOD 检测器，提出了一种名为 Noisy Graph Cleaning (NGC) 的新型基于图的框架，通过利用数据的几何结构和模型预测置信度收集干净样本，并可以在测试阶段直接基于学习到的类原型检测和拒绝 OOD 样本，实验结果表明 NGC 方法在多个测试基准上表现优异。

    Aug, 2021

  • 通过温和的混合增强对开放式输入的鲁棒性

    本文提出了一种新的正则化方法，可应用于现有的卷积神经网络架构中，以提高开放集鲁棒性，实现了最先进的开放集分类基线结果，并轻松扩展到大规模开放集分类问题。

    Sep, 2020

  • 原型分裂：稳健开放式半监督学习的闭环方法

    通过原型分裂 (Prototype Fission，PF) 将类别潜空间分为紧凑的子空间，由粗粒度标签驱动自动细粒度潜空间挖掘，以关闭内部分布集，从而提高半监督学习中对 OOD 样本的拒绝率。

    Aug, 2023

  • 超越所知：针对开放世界图学习的新颖类发现

    本论文提出了一种名为 ORAL 的开放世界图神经网络方法，用于在图中进行节点分类，并解决了图上发现新类别的挑战，通过半监督的原型学习检测类别之间的相关性，利用原型关注网络消除类别间的相关性，从而得到不同类别的区分性表示，通过对齐和组合多个堆叠的原型关注网络的标签估计生成伪标签以充分利用多尺度图特征，广泛实验证明了所提方法的有效性。

    Mar, 2024

  • 原型引导变换器的联邦类增量学习

    PloRA 是一种简单而有效的方法，在低通信成本下解决了灾难性遗忘和数据异质性问题，在原型学习和精炼模型方面的优化使其在各种场景和程度的数据异质性中表现出强大的鲁棒性和优越性。

    Jan, 2024

  • 基于增强相似性学习的开放式识别

    研究中提出了一种 Open set recognition based on Pseudo unseen data Generation (OPG) 方法，利用相似度学习，通过先学习一个 closed set classifier，再学习如何将已知类别分别与伪未知类别进行比较（通过数据分布转化生成的），从而检测未知类别（或未看到过的类别），实验结果表明，这种基于相似度特征的方法可成功区分开放性识别基准数据集中已知和未知的类别。

    Mar, 2022